論文の概要: Normality Constraint Learning: Adapting Foundation Models for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.06453v1
• Date: Mon, 05 Oct 2026 14:55:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:11:38.654563
• Title: Normality Constraint Learning: Adapting Foundation Models for Time Series Anomaly Detection
• Title（参考訳）: 正規性制約学習:時系列異常検出のための基礎モデルの適用
• Abstract要約: 時系列基礎モデル(TSFM)は、事前学習中に大規模時系列から広範囲の時間パターンを再構成または予測することで、強力な一般化を実現する。 TSFMは稀な異常パターンを通常のパターンと同様に効果的にモデル化し、異常を正確に再構成したり予測したりすることができる。 本稿では、$underlinetextbfN$$textbformality$$underlinetextbfC$$textbfonstraint$$$underlinetextbfL$$textbfearni ng$を提案する。
• 参考スコア（独自算出の注目度）: 40.09081467923584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time Series Foundation Models (TSFMs) achieve strong generalization by learning to reconstruct or forecast broad temporal patterns from large-scale time series during pre-training. Yet this strength can become a weakness for anomaly detection: TSFMs may model rare anomalous patterns as effectively as normal ones, allowing anomalies to be accurately reconstructed or forecasted and thus diminishing their reconstruction/forecasting error-based anomaly scores. This paper proposes $\underline{\textbf{N}}$$\textbf{ormality}$ $\underline{\textbf{C}}$$\textbf{onstraint}$ $\underline{\textbf{L}}$$\textbf{earning}$ ($\textbf{NCL}$), a lightweight plug-and-play framework that adapts pre-trained TSFMs for accurate anomaly detection without modifying their pre-trained parameters. Our key insight is to constrain the broad pattern space of TSFMs to the normal structure of a target time series, preventing their broad modeling capability from obscuring abnormal deviations. Specifically, NCL constructs a compact normality subspace from a few normal patch features and adaptively steers each patch feature toward normality within this subspace, guided by contrastive constraints that form compact and discriminative normality manifolds. The calibrated features are aggregated to reinforce normal components and fused with the original TSFM output, amplifying the discrepancy between normal and abnormal observations for the reconstruction/forecasting error-based anomaly scoring. Extensive experiments across diverse TSFM families and benchmarks show that NCL consistently improves anomaly detection performance, providing a generalizable framework for adapting TSFMs to anomaly detection.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は,事前学習中に大規模時系列から広範囲の時系列パターンを再構成したり,予測したりすることで,強力な一般化を実現する。 しかし、この強度は異常検出の弱点となりうる:TSFMは稀な異常パターンを正常なパターンと同様に効果的にモデル化し、異常を正確に再構成したり予測したりすることで、エラーベースの異常スコアの復元/予測を減少させることができる。 本稿では、事前訓練されたTSFMをトレーニング済みパラメータを変更することなく、正確な異常検出に適応する軽量なプラグインおよびプレイフレームワークである$\underline{\textbf{N}}$$\textbf{ormality}$$$\underline{\textbf{C}}$$$\textbf{onstraint}$$$\underline{\textbf{L}}$$$\textbf{earning}$$$$$\textbf{NCL}$を提案する。 我々の重要な洞察は、TSFMの広いパターン空間を対象時系列の通常の構造に制限することであり、その広いモデリング能力が異常なずれを生じないようにすることである。 具体的には、NCLはいくつかの正規パッチ特徴からコンパクト正規性部分空間を構築し、各パッチ特徴をこの部分空間内の正規性に向けて適応的に操り、コンパクトかつ判別的正規性多様体を形成する対照的な制約によって導かれる。 校正された特徴は、正規成分を補強するために集約され、元のTSFM出力と融合し、再構成・予測誤差に基づく異常スコアに対する正常観測と異常観測との相違を増幅する。 様々なTSFMファミリーとベンチマークの広範な実験により、NCLは一貫して異常検出性能を改善し、異常検出にTSFMを適用するための一般化可能なフレームワークを提供する。

関連論文リスト

• Adapting prior-data fitted networks for tabular anomaly detection [10.217457305399334]
  本稿では,PFN(Predor-data fited network)を適応し,異常検出に活用する方法を検討する。 デプロイ前に異常は発生しないので、モデルのパラメータは監督によって調整できない。 参照セットを使用してモデルを微調整し、結果の正常なサンプルを異常から分離する。
  論文  参考訳（メタデータ） (2026-10-05T16:54:50Z)
• TaskBridge: Bridging Unsupervised Tabular Anomaly Detection and In-Context Learning via Virtual Tasks [8.795723755279493]
  本稿では,教師なし異常検出のために,事前学習された汎用TFMを効率的に再利用するTaskBridgeを紹介する。 その結果、仮想タスクは、通常のクエリとそのターゲットペアが高いサポートを受ける予測構造を誘導する。 790以上の実世界のデータセットにおいて、TaskBridgeは一貫して30のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-29T08:05:14Z)
• A Comparative Study of Adaptation Strategies for Time Series Foundation Models in Anomaly Detection [0.0]
  時系列基礎モデル(TSFM)は、大きな異種データに基づいて事前訓練される。 我々は、ゼロショット推論、フルモデル適応、パラメータ効率の微調整戦略を比較した。 これらの結果は、TSFMをスケーラブルで効率的な時系列異常検出のための有望な汎用モデルとして位置づけている。
  論文  参考訳（メタデータ） (2026-01-01T19:11:33Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• THEMIS: Unlocking Pretrained Knowledge with Foundation Model Embeddings for Anomaly Detection in Time Series [0.0]
  TheMISは、基礎モデルから事前学習された知識を活用する時系列異常検出のための新しいフレームワークである。 実験の結果,本手法はMSLデータセット上でSOTAを達成し,SMAPおよびSWAT$*$データセット上で非常に競争力があることがわかった。
  論文  参考訳（メタデータ） (2025-10-04T19:20:35Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Two-stream Decoder Feature Normality Estimating Network for Industrial Anomaly Detection [4.772323272202286]
  正常な特徴と異常な特徴の両方を学習するための2ストリームデコーダネットワーク(TSDN)を提案する。 また、異常な特徴を排除し、異常領域の高品質な再構成を防止するための特徴正規度推定器(FNE)を提案する。
  論文  参考訳（メタデータ） (2023-02-20T06:46:09Z)

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。