論文の概要: Anlu: Enabling In-Context Time Series Anomaly Detection in Foundation Models via Counterfactual Supervision

• arxiv url: http://arxiv.org/abs/2610.06180v1
• Date: Mon, 05 Oct 2026 12:00:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:10:27.83424
• Title: Anlu: Enabling In-Context Time Series Anomaly Detection in Foundation Models via Counterfactual Supervision
• Title（参考訳）: Anlu: ファウンデーションモデルにおけるコンテキスト内時系列異常検出のファウンデーション・スーパービジョンによる実現
• Abstract要約: 時系列異常検出(TSAD)のための文脈内学習の検討 本稿では,2つの参照と1つのクエリをペアにし,それぞれにクエリをラベル付けする対実的監視手法を提案する。 Anluは、異常検出のために事前訓練された冷凍時系列基礎モデル(TSFM)に参照メモリとゼロゲートアダプタを追加することで、この監視から学習する。
• 参考スコア（独自算出の注目度）: 27.326119423911777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whether a time-series pattern is anomalous often depends on the operating regime of the monitored process. A missing event can signal a fault in one regime and be routine in another, and the query alone may not reveal which regime applies. We study in-context learning (ICL) for time series anomaly detection (TSAD) through reference-conditioned detection, where a reference record provides evidence about expected behavior and model parameters remain fixed at inference. Supplying the reference is not enough: when training anomalies are recognizable from the query alone, the detector can fit its targets while ignoring the reference. We therefore introduce counterfactual supervision, which pairs one query with two references that support different normal rules and labels the query under each. At positions where the two labels disagree, no detector that ignores the reference can fit both targets. Anlu learns from this supervision by adding a reference memory and zero-initialized gated adapters to a frozen time-series foundation model (TSFM) pretrained for anomaly detection. On the 350 TSB-AD-U evaluation sequences, Anlu raises the mean VUS-PR of the frozen TSFM from 0.542 to 0.607. Replacing the reference with zeros lowers Anlu's score to 0.499.
• Abstract（参考訳）: 時系列パターンが異常であるかは、しばしば監視プロセスの動作状態に依存する。 欠落したイベントは、あるレシフィケーションの障害を合図し、別のレシフィケーションでルーチン化することができる。 本研究では,時系列異常検出(TSAD)のための文脈内学習(ICL)を基準条件付き検出により検討する。 クエリのみからトレーニング異常を認識すると、検出器は参照を無視しながらターゲットに適合する。 そこで本研究では,2つの参照と1つのクエリをペアにすることで,通常のルールを別々にサポートし,それぞれにクエリをラベル付けする手法を提案する。 2つのラベルが一致しない位置では、参照を無視する検出器は両方のターゲットに適合しない。 Anluは、異常検出のために事前訓練された冷凍時系列基礎モデル(TSFM)に、参照メモリとゼロ初期化ゲートアダプタを追加することで、この監視から学習する。 350TSB-AD-Uの評価シーケンスでは、凍ったTSFMの平均VUS-PRが0.542から0.607に上昇する。 基準をゼロに置き換えると、アンルーのスコアは0.499に低下する。

関連論文リスト

• Predictive Varanus: Combining CSP Conformance Monitoring with Predictive LTL Runtime Verification [0.5996444607432799]
  PreDICTIVE VARANUSはプロセス代数Communicating Sequential Processes (CSP)で記述されたモデルを使用する2段階検証パイプラインである。 CSPバリデーションと予測の組み合わせによって、標準的なランタイムモニタリングよりも早期の検証が可能になることを示す。 ケーススタディは、CSPバリデーションと予測の組み合わせが、標準のランタイムモニタリングよりも早期のバリデーションを提供する方法を示している。
  論文  参考訳（メタデータ） (2026-09-15T06:26:51Z)
• Surprised by Attention: Predictable Query Dynamics for Time Series Anomaly Detection [1.7751300245073598]
  AxonADは、マルチヘッドアテンションクエリの進化を短い水平方向予測可能なプロセスとして扱う教師なし検出器である。 テール集約型クエリミスマッチスコアは、最近のタイムステップで予測されたクエリとターゲットクエリの相違を測定する。 インターバルアノテーションを用いた車内テレメトリでは、AxonADは強力なベースライン上でのランキング品質と時間的ローカライゼーションを改善している。
  論文  参考訳（メタデータ） (2026-03-13T11:40:51Z)
• 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)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)

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。