論文の概要: LEARN-TS: LLM-Enhanced Alignment and Reconstruction with Normality Guidance for Multivariate Time-Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.38789v1
• Date: Wed, 30 Sep 2026 02:19:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.034734
• Title: LEARN-TS: LLM-Enhanced Alignment and Reconstruction with Normality Guidance for Multivariate Time-Series Anomaly Detection
• Title（参考訳）: LEARN-TS:多変量時系列異常検出のための正規化誘導によるLLM強調アライメントと再構成
• Abstract要約: LLMによる時系列の正規化誘導と再構成(LEARN-TS) フリーズ言語モデルを使用して、2つのロール分離セマンティック表現を時間的にペアの外部テキストを必要とせずに構築する。 ウィンドウ固有の観察セマンティクスは、正確な数値を使わずに時間的および相互変数のコンテキストを符号化し、パッチマインドされた再構成を導出する。 固定されたデータセットに依存しない正規性プロンプトは、ノーマル表現の整列と正規性の不一致の推定のためのウィンドウ非依存の意味参照を提供する。
• 参考スコア（独自算出の注目度）: 1.784933900656066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstruction errors in multivariate time-series anomaly detection may not reliably distinguish abnormal behavior from benign deviations. Language-derived semantics offer complementary context, but existing multimodal approaches may rely on time-associated paired textual information that is difficult to obtain consistently and is not provided by standard multivariate time-series anomaly detection benchmarks. This setting poses two challenges: (1) conditioning masked reconstruction on window-specific semantics without exposing exact numerical targets or anomaly-specific cues, and (2) using a window-independent concept of normality as a complementary semantic reference rather than an independent anomaly detector. We propose LLM-Enhanced Alignment and Reconstruction with Normality Guidance for Time Series (LEARN-TS), which uses a frozen language model to construct two role-separated semantic representations without requiring temporally paired external text. Window-specific observation semantics encode temporal and cross-variable context without exact numerical values to guide channel-shared patch-masked reconstruction. A fixed, dataset-agnostic normality prompt provides a window-independent semantic reference for aligning normal representations and estimating normality discrepancy. At inference, masking each temporal patch once yields timestamp-level reconstruction evidence, conditionally modulated by discrepancy from a separate unmasked view. Across four benchmarks, LEARN-TS achieves the highest mean performance in 13 of 16 dataset-metric comparisons. Controlled ablations examine observation conditioning, joint normality alignment and scoring, and reference content, showing dataset-dependent ranking benefits and modest average gains from semantic over random references.
• Abstract（参考訳）: 多変量時系列異常検出における再構成誤差は、良性偏差と異常な挙動を確実に区別できない。 言語由来のセマンティクスは相補的な文脈を提供するが、既存のマルチモーダルアプローチは、一貫した入手が困難で、標準の多変量時系列異常検出ベンチマークでは提供されない、時間に関連するペアリングテキスト情報に依存する可能性がある。 この設定は、(1)正確な数値的目標や異常特異的な手がかりを明かさずに、ウィンドウ固有の意味論をマスクした再構成を条件付けすること、(2)ウィンドウに依存しない正規性の概念を、独立した異常検知器ではなく補完的な意味論として用いること、の2つの課題を提起する。 LLM-Enhanced Alignment and Reconstruction with Normality Guidance for Time Series (LEARN-TS) を提案する。 ウィンドウ固有の観察セマンティクスは、正確な数値のない時間的・横断的なコンテキストを符号化し、チャネルシェードのパッチマインド再構成をガイドする。 固定されたデータセットに依存しない正規性プロンプトは、ノーマル表現の整列と正規性の不一致の推定のためのウィンドウ非依存の意味参照を提供する。 推測では、各時間パッチをマスキングするとタイムスタンプレベルの復元証拠が得られる。 4つのベンチマークで、LEARN-TSは16のデータセットメトリック比較のうち13の最高平均性能を達成している。 制御されたアブリゲーションは、観察条件、共同正規性アライメントとスコアリング、および参照内容を調べ、ランダム参照に対するセマンティクスによるデータセット依存のランキングの利点と控えめな平均ゲインを示す。

関連論文リスト

• A Time-Aware Bag-of-Receptive-Fields for Interpretable Irregular Time Series Classification [0.20305676256390937]
  Bag-Of-Receptive-Fields (BORF) は、時系列の高速、決定論的、解釈可能な変換である。 我々の重要な貢献は、各観測が関連する時間デルタに比例して重み付けされる時間重み付き正規化スキームである。 これは、時間重み付き標準偏差に対する効率的なスライディングウインドウの繰り返しを導出する必要がある。
  論文  参考訳（メタデータ） (2026-09-30T08:24:00Z)
• Supervision Recovery for Time Series Anomaly Detection via Context-Anchored Pairing [20.62709198190006]
  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。
  論文  参考訳（メタデータ） (2026-09-27T14:26:55Z)
• 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)
• COMET: Codebook-based Online-adaptive Multi-scale Embedding for Time-series Anomaly Detection [9.53248032827498]
  オンラインコードブックに基づく時系列異常検出のためのオンライン適応型マルチスケール埋め込み(COMET) オンラインコードブック適応は、コードブックエントリに基づいて擬似ラベルを生成し、対照的な学習を通じて推論時にモデルを動的に適応させる。 COMETは、45評価指標のうち36で最高のパフォーマンスを達成し、様々な環境においてその有効性を検証する。
  論文  参考訳（メタデータ） (2026-02-02T04:51:18Z)
• Structured Temporal Causality for Interpretable Multivariate Time Series Anomaly Detection [1.6111818380407035]
  OracleADは時系列異常検出のための教師なしフレームワークである。 予測誤差と安定遅延構造からの偏差に基づく二重スコアリング機構を用いて異常を同定する。 OracleADは、複数の実世界のデータセットと評価プロトコルにまたがって最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-10-18T13:53:41Z)
• 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)
• 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。