論文の概要: Correlation-Aware Reconstruction for Multivariate Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.15250v1
• Date: Sun, 11 Oct 2026 00:46:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 01:52:25.693905
• Title: Correlation-Aware Reconstruction for Multivariate Time Series Anomaly Detection
• Title（参考訳）: 多変量時系列異常検出のための相関認識再構成
• Abstract要約: 現実世界の異常は一つのチャンネルで孤立したスパイクであるだけでなく、チャンネル間の関係の破壊でもある。 これらのモデルは、時間的進化とチャネル間構造の両方をこの単一空間に圧縮するため、チャネル間の依存関係を分離する明確なメカニズムが欠如している。 本稿では,2つの補足空間を持つ再構成型変分オートエンコーダであるCARMAを提案する。
• 参考スコア（独自算出の注目度）: 13.257724838734928
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reconstruction-based detectors for multivariate time series anomaly detection typically learn a single entangled representation of normal behavior and flag anomalies based on reconstruction error. However, real-world anomalies are not only isolated spikes in a single channel but also disruptions in the relationships between channels, where each sensor individually appears normal, but their joint behavior deviates from the norm. Because these models compress both temporal evolution and inter-channel structure into this single space, they lack an explicit mechanism to isolate such inter-channel dependencies from normal temporal dependencies, leading to lower detection rates for cross-channel anomalies. We propose CARMA (Correlation-Aware Reconstruction for Multivariate Time Series Anomaly Detection), which is a reconstruction-based variational autoencoder with two complementary latent spaces: a temporal latent that captures sequential dynamics, and a correlation latent that is trained to reconstruct the window's pairwise Pearson correlations. Both representations are fused in the signal decoder, and anomalies are detected from the reconstruction error. We evaluate CARMA on the TSB-AD-M benchmark suite (17 datasets, 180 series) against 29 baseline methods, and show that it significantly outperforms all of them across multiple threshold-free and range-aware metrics, achieving a VUS-PR of 0.4929. Ablations show that removing the correlation branch degrades performance, that adding a second latent without supervision recovers only part of the gain, and that supervising the correlation latent with an explicit correlation target accounts for the rest and produces a sharper error response at anomalies.
• Abstract（参考訳）: 多変量時系列異常検出のための再構成に基づく検出器は、通常、再構成誤差に基づいて通常の行動とフラグ異常の単一の絡み合った表現を学習する。 しかし、現実世界の異常は単一のチャネルで孤立したスパイクであるだけでなく、個々のセンサーが正常に現れるチャネル間の関係の破壊でもある。 これらのモデルは、時間的進化とチャネル間構造の両方をこの単一空間に圧縮するので、通常の時間的依存からチャネル間依存関係を分離する明確なメカニズムが欠如し、チャネル間異常の検出率が低下する。 CARMA (Correlation-Aware Reconstruction for Multivariate Time Series Anomaly Detection) は、2つの相補的遅延空間を持つ再構成ベースの変分オートエンコーダである。 両表現は信号復号器に融合し、再構成誤差から異常を検出する。 TSB-AD-Mベンチマークスイート (17 データセット,180 シリーズ) の CARMA を29 のベースライン手法に対して評価し,VUS-PR が 0.4929 であることを示す。 相関分岐を除去することで性能が低下し、監督なしで第2潜水器を追加すると利得の一部しか回復せず、相関潜水器を明示的な相関目標に監督することが残りの部分について考慮され、異常時のよりシャープなエラー応答が生じる。

関連論文リスト

• CORE: In-Context Reconstruction for Unified Tabular Anomaly Detection [50.334454857423395]
  統合異常検出(TAD)への新たなトレンドは、単一の一般化可能なモデルを使用して、異なるデータセットにわたる異常を検出することにある。 統合型TAD(CORE for Short)のための文書内再構成手法を提案する。 COREは、TADをコンテキスト内再構成問題として統一し、ラベル付きまたは合成された異常を除去する。
  論文  参考訳（メタデータ） (2026-07-30T03:08:49Z)
• Towards Anomaly Detection on Relational Data [51.473064583839296]
  属性とリレーショナルエッジの両方から異常を捕捉する再構成に基づくフレームワークを提案する。 RelADは競争効率を保ちながら、他のベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-06-17T02:36:32Z)
• CALAD: Channel-Aware contrastive Learning for multivariate time series Anomaly Detection [0.14323566945483493]
  時系列異常検出のためのチャンネル対応コントラスト学習フレームワークであるCALADを提案する。 変圧器を用いたオートエンコーダの再構成誤差からチャネル関係を推定する。 複数の実世界のデータセットの実験は、CALADが既存のメソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-22T01:38:05Z)
• Multivariate Time Series Anomaly Detection via Dual-Branch Reconstruction and Autoregressive Flow-based Residual Density Estimation [11.664519282299485]
  本稿では,DBRエンコーダと自動回帰フロー(AF)モジュールを統合した新しいフレームワークであるDBR-AFを提案する。 DBRエンコーダは、急激な相関を緩和するために、クロス変数相関学習とイントラ変数統計特性モデリングを分離する。 7つのベンチマークデータセットの実験は、DBR-AFが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-03-29T15:18:14Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• 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)
• Cluster-Aware Causal Mixer for Online Anomaly Detection in Multivariate Time Series [21.822977353368785]
  誤検出や誤検出に関連する重大なリスクを考えると、時系列データの異常の検出は極めて重要である。 時系列中の異常を効果的に検出するクラスタ対応因果混合器を提案する。 本稿では,偽陽性を防止すべく,異常証拠を蓄積する異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T19:56:54Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• 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。