論文の概要: Bayesian Tensor Autoencoder with Physics-informed Predictive Prior for Multi-dimensional Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.31157v1
• Date: Fri, 25 Sep 2026 11:52:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.369033
• Title: Bayesian Tensor Autoencoder with Physics-informed Predictive Prior for Multi-dimensional Time Series Anomaly Detection
• Title（参考訳）: 多次元時系列異常検出のための物理インフォームド予測プリミティブを用いたベイズテンソルオートエンコーダ
• Abstract要約: オートエンコーダ(AE)は広く採用されており、一般に再構築ベースと予測ベースに分類される。 本稿では, 事前予測を行い, 再建型AEに組み込む。 実世界のデータセットに対する実験結果から,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 7.349285784804291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-dimensional time series, inherently tensorial, are common in practice. Despite great progress in time series anomaly detection, most existing methods are confined to uni-/multi-variate time series. When handling multi-dimensional time series using these methods, reshaping operations are required, which inevitably break the intrinsic correlations and thus lead to performance degradation. In uni-/multi-variate time series anomaly detection, AutoEncoders (AEs) are widely adopted and generally categorized into reconstruction-based and prediction-based AEs. The reconstruction-based AE utilizes the current observation for reconstruction, while the prediction-based AE utilizes the historical information to predict the current observation. Thus, the two AEs utilize different information. To bridge the gap between reconstruction-based and prediction-based AEs, so as to fully leverage the available information and thus further enhance performance, we propose a predictive prior and incorporate it into the reconstruction-based AE. It may not be very difficult to conceive this idea, but designing the predictive prior so that it can work for tensor anomaly detection is non-trivial. Specifically, to avoid breaking the intrinsic correlations within the multi-dimensional time series, we use the tensor AE as the backbone. To incorporate the predictive prior into the reconstruction-based AE, we propose a Bayesian fusion approach and our analysis reveals that this approach can enhance the modeling capability of the model for normal data. To mitigate the over-generalization problem of AE, we incorporate physical laws, i.e. tensor low-rank decomposition rules, into the neural networks in the predictive prior, leading to the Physics-informed Predictive Prior Tensor AE (PPPTAE) framework. Experimental results on real-world datasets demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: 多次元時系列は本質的にテンソル的であり、実際は一般的である。 時系列異常検出の進歩にもかかわらず、既存のほとんどの手法は単変量/多変量時系列に限られている。 これらの手法を用いた多次元時系列の処理には, 必然的に内在的相関を破り, 性能劣化を招くリフォーミング操作が必要である。 単変量/多変量時系列異常検出では、オートエンコーダ(AE)が広く採用され、一般に再構成ベースおよび予測ベースAEに分類される。 復元ベースAEは現在の観測を復元に利用し、予測ベースAEは過去の情報を用いて現在の観測を予測する。 これにより、2つのAEは異なる情報を利用する。 復元ベースと予測ベースAEのギャップを埋め、利用可能な情報を完全に活用し、さらなる性能向上を図るために、予測事前を提案し、再構成ベースAEに組み込む。 このアイデアを思いつくのはそれほど難しくないかもしれませんが、テンソル異常検出に使えるように事前予測を設計することは簡単ではありません。 具体的には、多次元時系列内の固有相関を破ることを避けるために、テンソルAEをバックボーンとして使用する。 そこで本研究では, ベイジアン融合法により, モデルモデリング能力の向上が期待できることを示す。 AEの過度な一般化問題を緩和するため、予測前のニューラルネットワークにテンソル低ランク分解規則(テンソル低ランク分解規則)という物理法則を組み込むことにより、物理インフォームド予測事前テンソルAE(PPPTAE)フレームワークが実現される。 実世界のデータセットに対する実験結果から,提案手法の有効性が示された。

関連論文リスト

• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• Anomaly Detection via Autoencoder Composite Features and NCE [1.2891210250935148]
  オートエンコーダ(AE)または生成モデルは、通常入力のデータ分布をモデル化するためにしばしば使用される。 ノイズコントラスト推定(NCE)を訓練したAEと確率モデルの両方が異常検出を行うための非結合型トレーニング手法を提案する。
  論文  参考訳（メタデータ） (2025-02-04T01:29:22Z)
• Constricting Normal Latent Space for Anomaly Detection with Normal-only Training Data [11.237938539765825]
  オートエンコーダ(AE)は通常、データを再構築するために訓練される。 テスト期間中、AEは実際の異常を使用して訓練されていないため、異常データを十分に再構成することが期待されている。 我々は,新しい潜在的拘束損失を導入することで,AEの再建能力を制限することを提案する。
  論文  参考訳（メタデータ） (2024-03-24T19:22:15Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• 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)
• AER: Auto-Encoder with Regression for Time Series Anomaly Detection [12.418290128163882]
  時系列データの異常検出は、様々な産業領域でますます一般的になっている。 最近の教師なし機械学習手法は、この問題に対処する上で顕著な進歩を遂げている。 本稿では,バニラオートエンコーダとLSTM回帰器を組み合わせたジョイントモデルであるAER(Auto-encoder with Regression)を提案する。
  論文  参考訳（メタデータ） (2022-12-27T17:22:21Z)
• Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
  本稿では,ビデオ監視における異常検出問題に対処する。 異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。 我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
  論文  参考訳（メタデータ） (2022-03-07T19:28:39Z)
• Synthetic Temporal Anomaly Guided End-to-End Video Anomaly Detection [16.436293069942312]
  オートエンコーダ(AE)は、しばしば異常検出性能を低下させる異常の再構築を開始する。 本研究では,正規データのみを用いて擬似異常を発生させる時間的擬似異常シンセサイザーを提案する。 AEは、通常のデータでこの損失を最小化しつつ、擬似異常の復元損失を最大化するように訓練される。
  論文  参考訳（メタデータ） (2021-10-19T07:08:44Z)

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。