論文の概要: No Scale Left Behind: Multi-Scale Autoencoder with Bi-directional Attention for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.38004v1
• Date: Tue, 29 Sep 2026 16:55:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.760795
• Title: No Scale Left Behind: Multi-Scale Autoencoder with Bi-directional Attention for Time Series Anomaly Detection
• Title（参考訳）: No Scale Left Behind: 時系列異常検出のための双方向アテンション付きマルチスケールオートエンコーダ
• Abstract要約: 時系列異常検出(TSAD)は、医療、金融、産業モニタリング、その他の分野において重要な役割を果たす。 TSAD(MSCAD)のためのクロススケールアテンション付きマルチスケールオートエンコーダを提案する。 MSCADは、パッチサイズに応じて並列オートエンコーダブランチ上に構築された、半教師付きTSADフレームワークである。
• 参考スコア（独自算出の注目度）: 40.07090144991823
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series anomaly detection (TSAD) plays a crucial role in healthcare, finance, industrial monitoring, and other sectors. Within and between these settings, anomalies span vastly different temporal scales, from sub-second point spikes to multi-hour drift patterns. However, most existing TSAD methods commit to a single temporal granularity, and multi-scale designs either analyze different scales in isolation or are constrained to a predefined coarse-to-fine hierarchy, both failing to sufficiently capture multi-scale interactions. To resolve this limitation, we propose Multi-Scale Autoencoder with Cross-Scale Attention for TSAD (MSCAD), a simple yet powerful semi-supervised TSAD framework founded on parallel autoencoder branches corresponding to different patch sizes. A stack of symmetric bidirectional cross-scale attention blocks enables every pair of scales to exchange information before reconstruction without allowing any single scale to be privileged. On the comprehensive TSB-AD benchmark (40 datasets, 530 series), MSCAD achieves large performance gains against 50 baselines across multiple metrics, with VUS-PR of 0.57(+9.6%) on the univariate split and 0.47(+9.3%) on the multivariate split compared to the state-of-the-art.
• Abstract（参考訳）: 時系列異常検出(TSAD)は、医療、金融、産業モニタリング、その他の分野において重要な役割を果たす。 これらの設定の中では、異常は秒単位のスパイクから複数時間のドリフトパターンまで、非常に異なる時間スケールにまたがる。 しかし、既存のTSAD手法の多くは1つの時間的粒度にコミットしており、マルチスケールの設計は異なるスケールを分離して分析するか、あるいは事前に定義された粗い粒度階層に制約され、どちらもマルチスケールの相互作用を十分に捉えられていない。 この制限を解決するために,異なるパッチサイズに対応する並列オートエンコーダブランチ上に構築された,シンプルながら強力な半教師付きTSADフレームワークであるTSAD (Multi-Scale Attention for TSAD) を提案する。 対称な双方向のクロススケールアテンションブロックのスタックは、すべてのスケールが単一のスケールを特権化することなく、再構築前に情報を交換することができる。 総合的なTSB-ADベンチマーク(40データセット、530シリーズ)では、MSCADは複数のメトリクスにわたる50のベースラインに対して大きなパフォーマンス向上を達成し、VUS-PRは単変量分割で0.57(+9.6%)、多変量分割で0.47(+9.3%)である。

関連論文リスト

• Structured Latent Space Modeling over Multi-Scale Temporal Patches for Multivariate Time Series Forecasting [13.891522069967507]
  我々はチャネルに依存しない多変量観測を構造化された潜在空間にマッピングするCNNベースの予測アーキテクチャであるM2Patchを紹介する。 M2Patchは、40の予測設定で57のベストと34のセカンドベストを達成している。
  論文  参考訳（メタデータ） (2026-07-07T19:19:14Z)
• Looped SSMs: Depth-Recurrence and Input Reshaping for Time Series Classification [50.994194925685434]
  パラメータが$k$のループSSMが$L$倍に反復され、標準SSMと一貫して一致し、性能が良くなることを示す。 また、入力再フォーマットは等しく無視された設計軸であることを示す。
  論文  参考訳（メタデータ） (2026-05-15T15:18:12Z)
• COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
  C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。 TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
  論文  参考訳（メタデータ） (2026-03-25T07:20:27Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• A Multi-scale Linear-time Encoder for Whole-Slide Image Analysis [1.4172808488495974]
  本稿では,Multi-scale Adaptive Recurrent Biomedical Linear-time framework (MARBLE) を紹介した。 MARBLEは複数の倍率レベルを並列に処理し、線形時間状態空間モデルに粗い推論を統合する。 5つの公開データセットの実験では、AUCの textbf6.9%、精度の textbf20.3%、Cインデックスの textbf2.3% の改善が示されている。
  論文  参考訳（メタデータ） (2026-02-02T23:47:07Z)
• FTSCommDetector: Discovering Behavioral Communities through Temporal Synchronization [15.690768429709811]
  従来のコミュニティ検出手法では、エンティティが独立して動きながら重要な瞬間に整合する同期脱同期パターンをキャプチャできない。 FTSCommDetectorを導入し、TCA(Temporal Coherence Architecture)を実装し、類似および異種コミュニティを発見する。 その結果、FTSCommDetectorは4つの多様な金融市場において一貫した改善を実現した。
  論文  参考訳（メタデータ） (2025-09-17T16:12:54Z)
• DisMS-TS: Eliminating Redundant Multi-Scale Features for Time Series Classification [14.947369878718822]
  時系列分類のための新しいエンドツーエンドのDistangled Multi-Scaleフレームワーク(DisMS-TS)を提案する。 DisMS-TSは、マルチスケール時系列における冗長な共有機能を排除し、予測性能を向上させるように設計されている。 複数のデータセットで実施された実験は、DisMS-TSの競争基準よりも優れており、精度は9.71%まで向上した。
  論文  参考訳（メタデータ） (2025-07-07T01:35:55Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)

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。