論文の概要: Retrieval Over Training: Similarity search-based Model Selection for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.20243v2
• Date: Thu, 15 Oct 2026 11:07:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.007158
• Title: Retrieval Over Training: Similarity search-based Model Selection for Time Series Anomaly Detection
• Title（参考訳）: 学習上の検索:時系列異常検出のための類似検索に基づくモデル選択
• Abstract要約: RAMSADは、時系列異常検出におけるモデル選択のための検索ベースのフレームワークである。 以前に観測されたインスタンスの知識ベースをクエリし、トップkの最も類似したシリーズを検索し、検出器のレコメンデーションを転送する。 その結果,RAMSADは既存のID設定のベースラインよりも優れていた。
• 参考スコア（独自算出の注目度）: 8.337328139585852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection is a fundamental task for time-series analytics, with important implications for the downstream performance of many applications. Despite the large number of anomaly detection methods proposed in the literature, recent benchmark studies have shown that no single detector performs best across highly heterogeneous time series. Therefore, a practical and scalable solution is to develop a model-selection method that, for a given time series, selects the anomaly detector most likely to perform well. Nevertheless, the model selection approaches proposed in the literature suffer from a significant drop in accuracy when applied in Out-of-Distribution (OOD) settings. In this paper, we tackle the aforementioned limitation and propose RAMSAD, a retrieval-based framework for model selection in time-series anomaly detection. Given a new time series, our method queries a knowledge base of previously observed instances, retrieves the top-k most similar series, and transfers detector recommendations from their performance profiles. The framework can operate with standard similarity measures as well as embedding-based representations. Our results show that RAMSAD outperforms existing baselines in In-Distribution (ID) settings and is the most robust selector in OOD, where, when selecting a small subset of detectors, it matches or exceeds ensembles that run the entire detector pool, at a fraction of their cost. Overall, we demonstrate that similarity-based retrieval constitutes a strong and efficient foundation for model selection in time-series anomaly detection.
• Abstract（参考訳）: 異常検出は時系列解析の基本的な課題であり、多くのアプリケーションのダウンストリーム性能に重要な意味を持つ。 文献で提案されている多くの異常検出手法にもかかわらず、最近のベンチマークでは、高度に異質な時系列に対して単一の検出器が最善を尽くさないことが示されている。 したがって、実用的でスケーラブルな解決策は、与えられた時系列に対して、最もよく機能する確率の高い異常検出器を選択するモデル選択法を開発することである。 それでも、論文で提案されるモデル選択アプローチは、アウト・オブ・ディストリビューション(OOD)設定に適用した場合、精度が大幅に低下する。 本稿では、上記の制限に対処し、時系列異常検出におけるモデル選択のための検索ベースのフレームワークであるRAMSADを提案する。 新しい時系列が与えられた場合,本手法は,以前に観測されたインスタンスの知識ベースを問合せ,最もよく似た系列を検索し,その性能プロファイルから検出候補の推薦を転送する。 このフレームワークは、埋め込みベースの表現と同様に、標準的な類似度尺度で操作できる。 以上の結果から,RAMSADは既存のベースラインのID(In-Distribution)設定よりも優れており,OODにおいて最も堅牢なセレクタであることが明らかとなった。 全体として、類似性に基づく検索は、時系列異常検出におけるモデル選択の強固かつ効率的な基礎となることを実証する。

関連論文リスト

• RAMSeS: Robust and Adaptive Model Selection for Time-Series Anomaly Detection Algorithms [4.651327752886104]
  時系列データは領域によって大きく異なるため、普遍的な異常検出は非現実的である。 本稿では,RAMSeSフレームワークの時系列異常検出のためのロバストおよび適応モデル選択法を提案する。
  論文  参考訳（メタデータ） (2026-02-25T10:36:32Z)
• MSAD: A Deep Dive into Model Selection for Time series Anomaly Detection [13.15424393895753]
  異常検出は時系列分析の基本的な課題である。 非常に異種時系列に適用した場合、全体的な最良の異常検出方法は存在しない。 既存のAutoMLソリューションは、残念ながら、時系列異常検出に直接適用できない。
  論文  参考訳（メタデータ） (2025-10-30T16:09:51Z)
• mTSBench: Benchmarking Multivariate Time Series Anomaly Detection and Model Selection at Scale [2.610026343726206]
  mTSBenchは、MTS-ADと教師なしモデル選択において、これまでで最大のベンチマークである。 ラベル付き時系列は344で、19のデータセットと12の多様なアプリケーションドメインにまたがる。
  論文  参考訳（メタデータ） (2025-06-26T17:59:58Z)
• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
  異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。 これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。 しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)
• Unsupervised Model Selection for Time-series Anomaly Detection [7.8027110514393785]
  提案手法は, 予測誤差, モデル中心性, および, 注入された合成異常に対する性能の3種類のサロゲート(教師なし)メトリクスを同定する。 我々は、厳密なランク集約問題として、複数の不完全なサロゲート指標との計量結合を定式化する。 複数の実世界のデータセットに対する大規模な実験は、我々の提案した教師なしアプローチが、最も正確なモデルを選択するのと同じくらい効果的であることを示す。
  論文  参考訳（メタデータ） (2022-10-03T16:49:30Z)
• An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series [7.675917669905486]
  本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。 我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。 既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
  論文  参考訳（メタデータ） (2021-09-23T15:14:24Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。