論文の概要: Detect, Explain, Interpret: An End-to-End Benchmark for Time Series Anomaly Detection, Explainability and Interpretability

• arxiv url: http://arxiv.org/abs/2610.01168v1
• Date: Thu, 01 Oct 2026 06:44:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.948148
• Title: Detect, Explain, Interpret: An End-to-End Benchmark for Time Series Anomaly Detection, Explainability and Interpretability
• Title（参考訳）: Detect, Explain, Interpret: 時系列異常検出, 説明可能性, 解釈可能性のためのエンドツーエンドベンチマーク
• Abstract要約: 時系列異常検出は、複雑な時系列データの増加によって注目されている。 現在のベンチマークは主に検出精度に重点を置いており、空間的説明可能性を評価するものはほとんどない。 人間の理解可能な解釈を生成するのに十分なリッチなセマンティックアノテーションを提供するベンチマークはない。
• 参考スコア（独自算出の注目度）: 2.566287700129649
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time Series Anomaly Detection has received increasing attention, driven by the growing availability of complex time series data. This surge has led to the development of numerous detection methods, as well as a variety of benchmarks aimed at thoroughly evaluating their performance. However, most existing detectors remain largely agnostic to domain context, overlooking explainability and interpretability. One of the main reasons for this gap is that current benchmarks primarily focus on detection accuracy, and only few of them evaluate spatial explainability. Moreover, no benchmark currently provides sufficiently rich semantic annotations to support the generation of human-understandable interpretations of anomalies. To address these limitations, we introduce SHAD (Scality High-dimensional Anomaly Detection benchmark), a fully annotated benchmark composed of 215 multivariate, high-dimensional time series collected from real-world distributed cloud storage systems operated by Scality. The proposed dataset includes rich contextual information, covering three families of anomalies with varying degrees of severity. As further contribution, we provide a foundation for future work by evaluating baseline methods for Detection, Explainability, and Interpretability, covering all stages of a TSAD pipeline. For Detection, we benchmark a wide range of existing anomaly detectors, testing their effectiveness on the proposed real-world dataset. Then, we consider explainability by evaluating whether measuring the contribution of each dimension in the generated anomaly score can provide accurate anomaly attributions. Finally, for interpretability, we investigate the effectiveness of frozen LLM baselines in localizing and interpreting anomalies.
• Abstract（参考訳）: 時系列異常検出は、複雑な時系列データの増加によって注目されている。 この急上昇により、多くの検出方法が開発され、その性能を徹底的に評価するための様々なベンチマークが開発された。 しかし、既存の検出器のほとんどは、説明可能性や解釈可能性を見越して、ドメインコンテキストに大きく依存しないままである。 このギャップの主な理由の1つは、現在のベンチマークが主に検出精度に焦点を当てており、空間的説明可能性を評価するのはごくわずかである。 さらに、現在のベンチマークでは、人間の理解可能な異常の解釈を生成するのに十分なリッチなセマンティックアノテーションを提供していない。 SHAD(Scality High-dimensional Anomaly Detection benchmark)は,Scialityが運用する実世界のクラウドストレージシステムから収集した215個の多変量高次元時系列からなる,完全注釈付きベンチマークである。 提案したデータセットは,3種類の異常を多種多様な重度でカバーする,リッチな文脈情報を含む。 さらに、TSADパイプラインのすべてのステージをカバーする、検出、説明可能性、解釈可能性のベースライン手法を評価することで、今後の作業の基盤を提供する。 検出のために、我々は、提案した実世界のデータセット上で、広範囲の既存の異常検知器をベンチマークし、その有効性を検証した。 そこで, 生成した異常スコアにおける各次元の寄与を測定することで, 正確な異常属性が得られるかどうかを評価することにより, 説明可能性を検討する。 最後に, 凍結LDMベースラインの局所化と異常の解釈における有効性について検討した。

関連論文リスト

• Beyond Nodes vs. Edges: A Multi-View Fusion Framework for Provenance-Based Intrusion Detection [6.343815622517112]
  PROVfusionは、証明に基づく侵入検知のための多視点異常融合フレームワークである。 軽量な融合スキームを通じて異種異常信号を融合し、投票ベースの統合プロセスを通じて最終的な異常決定を決定する。 広く使用されている9つのベンチマークエンティティデータセットの実験では、PROVfusionは単一ノードとエッジ中心のベースラインよりも高い検出精度と偽陽性率を実現する。
  論文  参考訳（メタデータ） (2026-04-16T06:40:50Z)
• Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [60.83579255387347]
  幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。 本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
  論文  参考訳（メタデータ） (2025-04-14T10:06:27Z)
• MIXAD: Memory-Induced Explainable Time Series Anomaly Detection [21.208134038200203]
  MIXAD(Memory Explainable Time Series Atemporally Detection)は,異常検出を解釈可能なモデルである。 また,異常時のメモリアクティベーションパターンの著しい変化を検出する新しい異常スコアリング手法を提案する。 我々のアプローチは、適切な検出性能を保証するだけでなく、解釈可能性指標の34.30%と34.51%で最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2024-10-30T06:46:23Z)
• DiffGAD: A Diffusion-based Unsupervised Graph Anomaly Detector [17.191834562399293]
  拡散型グラフ異常検出器(DiffGAD)を提案する。 DiffGADの核心は、未熟な宇宙学習のパラダイムであり、それを差別的コンテンツで導くことによって、その習熟度を高めるために細心の注意を払って設計されている。 6つの実世界および大規模データセットを用いて実施したDiffGADの総合評価により,その異常な性能が示された。
  論文  参考訳（メタデータ） (2024-10-09T05:02:56Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
  LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。 より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。 提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
  論文  参考訳（メタデータ） (2023-11-19T09:41:10Z)
• Functional Anomaly Detection: a Benchmark Study [4.444788548423704]
  異常検出は、非常に高い周波数でサンプリングされた測定に依存することができる。 本研究の目的は, 実データセット上の機能的設定において, 異常検出のための最近の手法の性能について検討することである。
  論文  参考訳（メタデータ） (2022-01-13T18:20:32Z)

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。