論文の概要: Supervision Recovery for Time Series Anomaly Detection via Context-Anchored Pairing

• arxiv url: http://arxiv.org/abs/2609.33610v1
• Date: Sun, 27 Sep 2026 14:26:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 15:16:41.038222
• Title: Supervision Recovery for Time Series Anomaly Detection via Context-Anchored Pairing
• Title（参考訳）: コンテキストアンコールペアリングによる時系列異常検出のためのスーパービジョン復元
• Abstract要約: 時系列異常検出(TSAD)は、時間的異常が文脈に依存しているため、依然として困難である。 TSADの監視・回復フレームワークであるCAPS(Context-Anchored Pair Supervision)を提案する。 CAPSは、理想的異常監視を、同じ時間的文脈下での正常な結果と異常な結果の一致した比較と見なしている。
• 参考スコア（独自算出の注目度）: 20.62709198190006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series anomaly detection (TSAD) remains challenging not only because anomaly labels are scarce, but also because temporal anomalies are highly context-dependent. Existing methods often rely on unsupervised objectives or surrogate abnormal patterns, providing limited supervision for context-dependent normal--anomalous distinctions. We propose Context-Anchored Pair Supervision (CAPS), a supervision-recovery framework for TSAD. CAPS views ideal anomaly supervision as a matched comparison between normal and anomalous outcomes under the same temporal context, and seeks to recover such supervision without target-domain anomaly labels. Using simulated normal--anomalous pairs, CAPS learns structure and anomaly-semantic representations through reconstruction, background consistency, and within-pair counterfactual recombination. The resulting anomaly representations form a continuous semantic space with coarse modes and induce a sampleable multimodal prior. CAPS conditionally realizes sampled semantics as residual-form effects on target reference trajectories. The resulting context-anchored normal--anomalous counterparts provide temporal supervision for discriminative detector learning. Experiments on nine datasets show that CAPS achieves the strongest aggregate performance across all four evaluation metrics among the compared methods, while complementary ablations and transfer analyses support the roles of context anchoring, semantic disentanglement, and conditional realization.
• Abstract（参考訳）: 時系列異常検出 (TSAD) は, 異常ラベルが乏しいだけでなく, 時間的異常が文脈に依存しているため, 依然として困難である。 既存の手法は、しばしば教師なしの目的に頼り、または異常パターンを代理し、文脈依存の正常-非正則の区別を限定的に監督する。 TSADの監視・回復フレームワークであるCAPS(Context-Anchored Pair Supervision)を提案する。 CAPSは、理想的異常管理を、同じ時間的文脈下での正常な結果と異常な結果の一致した比較と見なし、標的領域の異常ラベルを使わずにそのような監督を回復しようとする。 CAPSは、模擬正規-非有理対を用いて、再構成、背景整合性、対面内対数再結合を通じて構造と異常-意味表現を学習する。 結果として生じる異常表現は、粗いモードで連続的な意味空間を形成し、サンプル可能なマルチモーダル先行を誘導する。 CAPSは、サンプルセマンティクスを、ターゲット基準軌道に対する残差形式効果として実現している。 結果として得られる文脈アンコールされた正常-非正則な相手は、識別的検出器学習のための時間的監督を提供する。 9つのデータセットの実験により、CAPSは比較した手法の4つの評価指標の中で最強の集計性能を達成し、補完的な改善と伝達分析は文脈アンカー、意味的乱れ、条件付き実現の役割をサポートすることが示された。

関連論文リスト

• Agentic Anomaly Detection with ORCA-Style Dynamic Inductive Bias Adaptation in Multimodal Wearable Time Series Data [0.0]
  エージェント制御型異常検出フレームワークORCAを提案する。 カスタムのWBANデータセット全体で、ORCAは最強の固定コンテキストベースラインに匹敵するパフォーマンスを達成する。 これらの結果は,資源制約,非定常的時系列における異常検出のための実用的かつ堅牢な設計原理として,適応的時間的帰納バイアス制御を強調した。
  論文  参考訳（メタデータ） (2026-08-09T18:49:13Z)
• CORE: In-Context Reconstruction for Unified Tabular Anomaly Detection [50.334454857423395]
  統合異常検出(TAD)への新たなトレンドは、単一の一般化可能なモデルを使用して、異なるデータセットにわたる異常を検出することにある。 統合型TAD(CORE for Short)のための文書内再構成手法を提案する。 COREは、TADをコンテキスト内再構成問題として統一し、ラベル付きまたは合成された異常を除去する。
  論文  参考訳（メタデータ） (2026-07-30T03:08:49Z)
• Learning Unified Representations of Normalcy for Time Series Anomaly Detection [0.0]
  本稿では,新しいフレームワークUnified Unsupervised Anomaly Detection(textU2textAD$)を提案する。 本手法は, スコアベース生成モデルを用いて, 正規サンプルの基盤となるデータ分布を学習する。 実験により,@textU2textAD$は検出精度において現在の最先端メソッドよりも優れるだけでなく,発生のかなり早い段階で異常を識別できることがわかった。
  論文  参考訳（メタデータ） (2026-05-10T18:12:22Z)
• Conditional Attribution for Root Cause Analysis in Time-Series Anomaly Detection [13.555771273974697]
  本稿では,文脈的に類似したシステム状態に対する異常を記述した条件属性フレームワークを提案する。 本手法は,異常観測を条件とした代表例を検索し,依存関係の保存と運用上の意味のある説明を可能にする。 SWaTとベンチマークの実験により、提案手法は複数の異常検出モデルにおける根本原因同定精度、時間的局所化、ロバスト性を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-04-19T21:01:52Z)
• Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference [54.774686416991386]
  我々は、マルチモーダルな異常検出は、クロスモーダルな文脈推論問題として再編成されるべきであると主張している。 この観点はモデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼす。
  論文  参考訳（メタデータ） (2026-04-14T19:32:55Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Deep Contrastive One-Class Time Series Anomaly Detection [15.27593816198766]
  時系列の逆1クラス異常検出法(COCA)を著者らにより提案する。 元の表現と再構成された表現を、正対の負サンプルのないCL、すなわち「シーケンスコントラスト」として扱う。
  論文  参考訳（メタデータ） (2022-07-04T15:08:06Z)
• 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。