論文の概要: MORA: Modeling Observed Changes for Drift-Robust Time-Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.09473v1
• Date: Wed, 07 Oct 2026 05:31:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.735488
• Title: MORA: Modeling Observed Changes for Drift-Robust Time-Series Anomaly Detection
• Title（参考訳）: MORA: Drift-Robust Time-Series 異常検出のための観測された変化のモデル化
• Abstract要約: 時系列異常検出(TSAD)は、歴史的データから得られたパターンからの逸脱を識別する。 非定常的な設定では、分布のドリフトと真の異常は同様の局所的な変化を引き起こす。 ドリフトロバストなTSADフレームワークであるMORAを導入し、ペアの短期視点と長期視点から同じ局所目標を再構築する。
• 参考スコア（独自算出の注目度）: 16.698518909129536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series anomaly detection (TSAD) identifies deviations from patterns learned from historical data. In non-stationary settings, distribution drift and true anomalies can cause similar local changes, making it difficult to tell whether a deviation reflects abnormality or evolving context. Existing methods typically adapt to detected shifts or learn drift-insensitive representations, but do not resolve this ambiguity. We define this problem as \emph{temporal change disambiguation}: determining whether a local deviation is explained by broader temporal evolution. We introduce MORA, a drift-robust TSAD framework that reconstructs the same local target from paired short- and long-term views. The reconstruction gap measures contextual support for a local deviation, and a data-dependent correction mechanism conservatively adjusts the primary local anomaly score. Context can only reduce the score when it improves reconstruction of the same target. MORA needs neither drift annotations nor online adaptation. Experiments on four TSAD benchmarks show strong robustness to non-stationarity while preserving sensitivity to genuine anomalies.
• Abstract（参考訳）: 時系列異常検出(TSAD)は、歴史的データから得られたパターンからの逸脱を識別する。 非定常的な環境では、分布のドリフトと真の異常は同様の局所的な変化を引き起こす可能性があるため、偏差が異常を反映しているか、あるいは進化する文脈を反映しているかを判断することは困難である。 既存の方法は通常、検出されたシフトに適応するか、ドリフト非感受性表現を学習するが、この曖昧さは解決しない。 我々はこの問題を、局所的な偏差がより広い時間進化によって説明されるか否かを決定する「emph{temporal change disambiguation}」として定義する。 ドリフトロバストなTSADフレームワークであるMORAを導入し、ペアの短期視点と長期視点から同じ局所目標を再構築する。 再構成ギャップは、局所偏差に対する文脈的支持を測定し、データ依存補正機構は、一次局所異常スコアを保守的に調整する。 コンテキストは、同じターゲットの再構築を改善する場合にのみスコアを減らすことができる。 MORAはドリフトアノテーションやオンライン適応を必要としない。 4つのTSADベンチマーク実験は、真の異常に対する感受性を維持しながら、非定常性に対して強い堅牢性を示す。

関連論文リスト

• Comparing Trajectories from Positions Alone: Curvature-Based Time Alignment and Drift Error Metric [9.234595526156854]
  フィールドロボティクスでは、評価された推定値よりも精度の高い独立した大規模参照軌道を取得することは、未解決の課題である。 ドメインは絶対軌道誤差(ATE)と相対極誤差(RPE)に広く依存している 本稿では,標準化された信頼性評価のための軌道評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2026-09-14T02:30:33Z)
• TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
  大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。 しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。 凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。 MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-18T23:40:28Z)
• Localizing to Debias: A Patch-Level Benchmark and Baseline for Weakly Supervised Spatial Anomaly Detection [7.474723197425266]
  本研究では,時間的異常検出を微細な空間的局所化でブリッジするスパース時間的枠組みを提案する。 SST-WSDLVAは動的スパーシフィケーションを通して最も異常な時間領域に焦点を当てている。 我々は3つの公開データセットに対するフレームレベルの空間アノテーションとメソッドに依存しない評価を公開している。
  論文  参考訳（メタデータ） (2026-08-12T13:27:20Z)
• FreqAnchorAD: Language-Free Zero-Shot Anomaly Detection via Frequency-Deviation Anchoring [11.908079655919849]
  本稿では,アンカー相対的異常識別のための周波数強調応答を整理するフレームワークであるFreqAnchorADを提案する。 FreqAnchorADは画像レベルの異常認識と画素レベルの欠陥ローカライゼーションにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-08-01T14:48:19Z)
• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• Conditional Attribution for Root Cause Analysis in Time-Series Anomaly Detection [13.555771273974697]
  本稿では,文脈的に類似したシステム状態に対する異常を記述した条件属性フレームワークを提案する。 本手法は,異常観測を条件とした代表例を検索し,依存関係の保存と運用上の意味のある説明を可能にする。 SWaTとベンチマークの実験により、提案手法は複数の異常検出モデルにおける根本原因同定精度、時間的局所化、ロバスト性を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-04-19T21:01:52Z)
• Learning Stable Predictors from Weak Supervision under Distribution Shift [2.8410059035029955]
  基盤トラストラベルが利用できない場合には、弱さやプロキシの監視から学ぶことが一般的である。 我々はこれを監督ドリフトとして形式化し、文脈間でのP(y | x, c)の変化として定義される。 我々はCRISPR-Cas13d実験において、RNA-seq応答から誘導効果を間接的に推定する実験を行った。
  論文  参考訳（メタデータ） (2026-04-05T23:46:49Z)
• 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)
• Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
  局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。 ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。 局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
  論文  参考訳（メタデータ） (2022-09-06T18:38:34Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。