論文の概要: GT-PSSM: Unified Probabilistic Framework for Stochastic Dynamics Modeling and Dependency Learning in Multivariate Time Series Anomaly Detection
- arxiv url: http://arxiv.org/abs/2609.34161v1
- Date: Mon, 28 Sep 2026 02:39:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 06:21:07.073167
- Title: GT-PSSM: Unified Probabilistic Framework for Stochastic Dynamics Modeling and Dependency Learning in Multivariate Time Series Anomaly Detection
- Title（参考訳）: GT-PSSM:多変量時系列異常検出における確率力学モデリングと依存性学習のための統一確率的フレームワーク
- Abstract要約: 異常検出のためのGT-PSSM(Graph-Transformer-Enhanced Probabilistic State-Space Model)を提案する。
GT-PSSMは、PSSMに基づく動的ダイナミクスの確率的モデリングと、時間的および相互変数依存のグラフトランスフォーマーに基づく学習を統合する。
- 参考スコア（独自算出の注目度）: 9.834635805575582
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multivariate time series anomaly detection (MTAD) is crucial for ensuring the safe and reliable operation of complex systems. Many existing methods learn normal patterns by training reconstruction or forecasting models on predominantly normal data. However, a large portion of these approaches rely on deterministic models and their associated point-wise output errors for anomaly scoring. Since real-world multivariate time series are inherently stochastic due to measurement noise and intrinsic system randomness, purely error-based scores can be unreliable, as large errors may arise from benign fluctuations rather than true anomalies. Probabilistic approaches address this limitation by quantifying uncertainty in model outputs. In particular, probabilistic state-space models (PSSMs) provide a principled framework by modeling stochastic system dynamics through latent state transitions and measurement noise via emission models. Despite this advantage, existing PSSM-based MTAD methods often struggle to capture long-range temporal dependencies and inter-variable dependencies, as they typically rely on noise-sensitive recurrent architectures and lack explicit cross-variable structure modeling. To address these limitations, we propose Graph-Transformer-Enhanced Probabilistic State-Space Model (GT-PSSM), a novel PSSM-based MTAD method that tightly integrates PSSM-based probabilistic modeling of stochastic dynamics with Graph Transformer-based learning of temporal and inter-variable dependencies. By jointly modeling stochasticity, long-range temporal dependence, and variable interactions within a unified probabilistic framework, GT-PSSM enables more robust anomaly detection.
- Abstract（参考訳）: 多変量時系列異常検出(MTAD)は,複雑なシステムの安全かつ信頼性の高い動作を保証するために重要である。
既存の多くの手法は、主に通常のデータに基づいて復元や予測モデルを訓練することで、通常のパターンを学習する。
しかし、これらのアプローチの大部分は、決定論的モデルとそれに関連する点次出力誤差に頼っている。
実世界の多変量時系列は、測定ノイズと本質的なシステムのランダム性により本質的に確率的であるため、真の異常ではなく良質な変動から大きな誤差が発生するため、純粋に誤差ベースのスコアは信頼できない。
確率論的アプローチは、モデル出力の不確実性を定量化することで、この制限に対処する。
特に、確率的状態空間モデル(PSSM)は、遅延状態遷移と放射モデルによる計測ノイズを通じて確率的システムの力学をモデル化し、原理的な枠組みを提供する。
この利点にもかかわらず、既存のPSSMベースのMTADメソッドは、ノイズに敏感なリカレントアーキテクチャに依存し、明示的なクロス変数構造モデリングを欠いているため、長期の時間的依存関係と変数間の依存関係をキャプチャするのに苦労することが多い。
これらの制約に対処するために,PSSMに基づく確率的力学の確率的モデリングと時間的および変数間の依存関係の学習を密に統合した新しいPSSMベースのMTAD法であるGT-PSSM(Graph-Transformer-Enhanced Probabilistic State-Space Model)を提案する。
GT-PSSMは、確率性、長距離時間依存性、および一貫した確率的枠組み内での変数相互作用を共同でモデル化することにより、より堅牢な異常検出を可能にする。
関連論文リスト
- One Step Closer to Ground Truth: A Multi-Scale Residual-Aware Representation Learning Pipeline for Predicting Time Series Data [6.704099492625706]
本稿では,予測と残差学習を表現学習の異なる段階に明確に分離する2段階のモデル非依存フレームワークを提案する。
このパイプラインを仮説空間拡張として定式化することにより、我々のフレームワークは単一ステージアーキテクチャに固有の近似制限に対処する。
論文 参考訳（メタデータ） (2026-06-09T10:31:54Z) - Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting [1.5939955861266883]
本稿では,介入主義的,厳密な統計的ベンチマークへのパラダイムシフトを提案する。
我々は,ブラックボックスシーケンスマッチングゲームから正確な分布推定タスクに予測を変換する。
我々は、最先端のゼロショットモデルがコンテキストパロッキング機構と一貫して振る舞うことを発見した。
論文 参考訳（メタデータ） (2026-03-23T17:14:11Z) - TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
TimeDiTは時間依存性学習と確率的サンプリングを組み合わせた拡散トランスフォーマーモデルである。
TimeDiTは、さまざまなタスクにわたるトレーニングと推論プロセスを調和させるために、統一的なマスキングメカニズムを採用している。
我々の体系的評価は、ゼロショット/ファインチューニングによる予測と計算という基本的なタスクにおいて、TimeDiTの有効性を示す。
論文 参考訳（メタデータ） (2024-09-03T22:31:57Z) - UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。
提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
論文 参考訳（メタデータ） (2024-06-07T14:39:28Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳（メタデータ） (2024-02-26T04:39:01Z) - 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) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Multivariate Probabilistic Time Series Forecasting via Conditioned
Normalizing Flows [8.859284959951204]
時系列予測は科学的・工学的な問題の基本である。
深層学習法はこの問題に適している。
多くの実世界のデータセットにおける標準メトリクスの最先端よりも改善されていることを示す。
論文 参考訳（メタデータ） (2020-02-14T16:16:51Z)
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。