論文の概要: Signal2Symbol: Neuro-Symbolic Temporal Reasoning for Explainable Physiological Time-Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.26820v1
• Date: Sun, 20 Sep 2026 09:38:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.684625
• Title: Signal2Symbol: Neuro-Symbolic Temporal Reasoning for Explainable Physiological Time-Series Anomaly Detection
• Title（参考訳）: Signal2Symbol: 説明可能な生理的時間的異常検出のためのニューロシンボリック時間的推論
• Abstract要約: 本稿では,生体信号異常検出のための神経シンボリックフレームワークであるSignal2Symbolを提案する。 本稿では,Allen/FCA推論が局所検出のコンパクトで解釈可能な要約を提供することを示す。
• 参考スコア（独自算出の注目度）: 0.34410212782758043
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Physiological time series such as electrocardiograms (ECG) and electroencephalograms (EEG) exhibit complex temporal structure, substantial acquisition variability, and a strong need for transparent decision-making. Although deep models can achieve high detection performance, they often provide limited insight into why a segment is anomalous, how local anomalies relate over time, and whether a detection belongs to a broader recurring pattern. We propose Signal2Symbol, a neuro-symbolic framework for explainable biosignal anomaly detection. The method first converts ECG/EEG signals into symbolic sequences using either a learned VQ-VAE (Vector Quantized Variational Autoencoder) codebook or a SAX (Symbolic Aggregate approXimation) baseline. It then constructs bigram enriched token-window transactions and scores anomalies through rare itemset evidence derived from minimal rare itemset mining. Detected anomalous windows are merged into intervals and related using Allen interval algebra, enabling composite temporal explanations such as escalation chains, artifact overlap, and cross-channel synchrony. Finally, we introduce a rare temporal concept lattice based on Formal Concept Analysis (FCA), which groups anomalous intervals by shared rare symbolic evidence, Allen temporal relations, channel context, and robustness attributes. The resulting Galois lattice compresses many local detections into interpretable families of temporal-symbolic anomalies. We evaluate on three public benchmarks: MIT-BIH Arrhythmia (beat-level ECG), PTB-XL (record-level ECG), and the Bonn EEG dataset (segment-level EEG). We stress-test robustness under additive noise and baseline-wander perturbations. The results highlight the value of neuro-symbolic tokenization for temporal anomaly analysis and show that Allen/FCA reasoning provides compact, interpretable summaries of local detections.
• Abstract（参考訳）: 心電図(ECG)や脳波(EEG)などの生理的時系列は、複雑な時間構造、実質的な獲得可能性、透明性のある意思決定の必要性が強く示される。 深層モデルでは高い検出性能が得られるが、セグメントがなぜ異常なのか、局所的な異常が時間とともにどのように関係しているか、検出がより広い繰り返しパターンに属するのか、といった限られた洞察を与えることが多い。 本稿では,生体信号異常検出のための神経シンボリックフレームワークであるSignal2Symbolを提案する。 この方法はまず、学習したVQ-VAEコードブックまたはSAXベースラインを用いてECG/EEG信号をシンボリックシーケンスに変換する。 その後、ビッグラムに富んだトークン・ウインドウ取引を構築し、最小限のレア・アイテムセット・マイニングに由来するレア・アイテムセット・エビデンスを通じて異常をスコアする。 検出された異常ウィンドウは、アレン区間代数を用いて間隔にマージされ、エスカレーションチェーン、アーティファクトオーバーラップ、チャネル間の同期などの複合時間的説明を可能にする。 最後に,形式的概念分析(FCA)に基づく稀な時間的概念格子を導入する。これは,共有された稀な記号的証拠,アレン時間的関係,チャネルコンテキスト,ロバスト性属性によって異常な間隔をグループ化する。 ガロア格子は、多くの局所的な検出を時間-記号的異常の解釈可能な族に圧縮する。 我々は,MIT-BIH Arrhythmia (beat-level ECG), PTB-XL (record-level ECG), Bonn EEG データセット (segment-level EEG) の3つの公開ベンチマークを評価した。 付加雑音とベースライン・ワンダー摂動下での応力-試験ロバスト性について検討した。 その結果, 時間的異常解析におけるニューロシンボリックトークン化の価値を強調し, アレン/FCA推論が局所的検出のコンパクトで解釈可能な要約を提供することを示した。

関連論文リスト

• TSRNet: Simple Framework for Real-time ECG Anomaly Detection with Multimodal Time and Spectrogram Restoration Network [9.770923451320938]
  本稿では,異常検出を利用したトレーニング用心電図データのみを用いた不健康状態の同定手法を提案する。 本稿では,心電図信号の異常検出に特化して設計されたTSRNet(Multimodal Time and Spectrogram Restoration Network)を提案する。
  論文  参考訳（メタデータ） (2023-12-15T20:27:38Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
  サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。 実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-11-28T12:17:40Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。