論文の概要: CAST: Context- and Anomaly Structure-Conditioned Time Series Anomaly Generation

• arxiv url: http://arxiv.org/abs/2609.27825v1
• Date: Wed, 19 Aug 2026 02:14:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.108566
• Title: CAST: Context- and Anomaly Structure-Conditioned Time Series Anomaly Generation
• Title（参考訳）: CAST: コンテキストと異常構造を考慮した時系列異常生成
• Abstract要約: 異常な時系列は安全クリティカルな領域において重要な役割を果たすが、それらは本質的に不足しており、異質であり、入手するのに費用がかかる。 CASTは,2段階事前学習と微調整を原則とした,コンテキストおよび異常な構造条件の時系列自動生成フレームワークである。 事前学習段階では、豊富な通常の時系列データを活用し、基礎となるシステム力学を学習し、異常データの限られた可用性を著しく軽減する。 微調整中、CASTは学習した異常構造表現のジェネレータを明示的に条件付け、同様の状況下で異質な異常形態を捉えることができる。
• 参考スコア（独自算出の注目度）: 34.190728618992985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomalous time series play a critical role in safety-critical domains, yet they are inherently scarce, heterogeneous, and costly to obtain. Existing time series generation methods predominantly focus on synthesizing normal data, providing limited value when anomalous samples are needed. We identify two fundamental challenges in anomaly generation: (i) the scarcity of anomaly data, and (ii) the heterogeneous morphological characteristics of anomalies. To address these challenges, we propose CAST, a Context- and Anomaly Structure-conditioned Time series anomaly generation framework with principled two-stage pretraining and finetuning strategy. In pretraining stage, we leverage abundant normal time series data to learn underlying system dynamics and substantially mitigate the limited availability of anomaly data. During finetuning, CAST explicitly conditions the generator on learned anomaly structure representations, enabling it to capture heterogeneous anomaly morphologies under similar contextual conditions. Extensive experiments on multiple real-world univariate and multivariate datasets demonstrate that CAST consistently outperforms state-of-the-art anomaly generation methods in terms of both generation fidelity and downstream task utility, highlighting the effectiveness of the proposed approach.
• Abstract（参考訳）: 異常な時系列は安全クリティカルな領域において重要な役割を果たすが、それらは本質的に不足しており、異質であり、入手するのに費用がかかる。 既存の時系列生成法は主に正規データの合成に重点を置いており、異常なサンプルが必要な場合に限定的な価値を提供する。 異常発生における2つの根本的な課題を同定する。 一 異常データの不足、及び (II)異常の異種形態的特徴 これらの課題に対処するために,2段階事前学習と微調整を原則としたコンテキストおよび異常な構造条件付き時系列異常生成フレームワークであるCASTを提案する。 事前学習段階では、豊富な通常の時系列データを活用し、基礎となるシステム力学を学習し、異常データの限られた可用性を著しく軽減する。 微調整中、CASTは学習した異常構造表現のジェネレータを明示的に条件付け、同様の状況下で異質な異常形態を捉えることができる。 複数の実世界の一変量データセットと多変量データセットに対する大規模な実験により、CASTは、生成忠実度と下流タスクユーティリティの両方の観点から、最先端の異常生成手法を一貫して上回っており、提案手法の有効性を強調している。

関連論文リスト

• THEMIS: Unlocking Pretrained Knowledge with Foundation Model Embeddings for Anomaly Detection in Time Series [0.0]
  TheMISは、基礎モデルから事前学習された知識を活用する時系列異常検出のための新しいフレームワークである。 実験の結果,本手法はMSLデータセット上でSOTAを達成し,SMAPおよびSWAT$*$データセット上で非常に競争力があることがわかった。
  論文  参考訳（メタデータ） (2025-10-04T19:20:35Z)
• CaPulse: Detecting Anomalies by Tuning in to the Causal Rhythms of Time Series [42.46322016695622]
  本稿では,時系列データの因果パルスに合わせた因果関係に基づく新しいフレームワークCaPulseを導入し,異常を効果的に検出する。 そこで本研究では,新しいマスク機構を備えた周期正規化フローを提案する。 7つの実世界のデータセットの実験は、CaPulseが既存のメソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-08-06T16:57:06Z)
• GenIAS: Generator for Instantiating Anomalies in time Series [54.959865643340535]
  可変オートエンコーダを用いた時系列異常検出(TSAD)のための生成モデルを開発した。 GenIASはTSADタスクのための多種多様な現実的な合成異常を生成するように設計されている。 実験の結果,GenIASは従来型および深部異常検出モデル17より一貫して優れていた。
  論文  参考訳（メタデータ） (2025-02-12T10:10:04Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• 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)
• Learning Multi-Pattern Normalities in the Frequency Domain for Efficient Time Series Anomaly Detection [37.992737349167676]
  時系列異常検出のための周波数領域における多重正規パターン対応異常検出手法を提案する。 i) 統一モデルで多様な正規パターンを扱うのに優れたパターン抽出機構、(ii) 時間領域における短期異常を増幅し周波数領域における異常の再構築を妨げる双対的畳み込み機構、(iii) 周波数領域のスパーシリティと並列性を活用してモデル効率を向上させる。
  論文  参考訳（メタデータ） (2023-11-26T03:31:43Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。