論文の概要: HCFM: Helmholtz Component Flow Matching for Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.25059v1
• Date: Sun, 18 Oct 2026 06:58:40 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:04:23.753872
• Title: HCFM: Helmholtz Component Flow Matching for Time Series Anomaly Detection
• Title（参考訳）: HCFM: 時系列異常検出のためのヘルムホルツ成分フローマッチング
• Abstract要約: Flow Matchingは、フローベースの生成モデルをトレーニングするための効率的なシミュレーション不要なアプローチである。 本稿では,ベクトル場予測ネットワークのパラメータ化を行うために,EmphHelmholtz Component Flow Matching (HCFM)を提案する。 HCFMは16基のベースラインと比較して、効率的な推論を維持しながら検出精度を一貫して改善する。
• 参考スコア（独自算出の注目度）: 3.3709264003850024
• License:
• Abstract: Flow Matching (FM) is an efficient simulation-free approach for training flow-based generative models, making it a promising foundation for scalable time-series anomaly detection (TSAD). However, standard FM learns a monolithic vector field in which nominal transport and local density-changing behavior are entangled. This creates a central challenge for TSAD; local expansion and contraction carry crucial anomaly-sensitive information, yet isolating this signal requires expensive Jacobian-trace estimation over the entire field. We propose \emph{Helmholtz Component Flow Matching} (HCFM), an unsupervised TSAD framework that parameterizes the vector field prediction network with separate transport, compression, and residual heads. The transport head is constrained to be divergence-free, so divergence estimation is restricted to the compression head, while a lightweight residual head absorbs the remaining mismatch. This structured parameterization improves scalability and detection performance by separating volume-preserving nominal transport from density-changing compression, yielding cleaner anomaly signals from distinct deviations of nominal behavior. Experiments on large-scale univariate and multivariate TSAD benchmarks show that HCFM consistently improves detection accuracy while maintaining efficient inference compared with 16 baselines. The code is available at https://github.com/TrustAIoT/HCFM__time-series-anomaly/
• Abstract（参考訳）: Flow Matching(FM)は、フローベースの生成モデルをトレーニングするための効率的なシミュレーション不要なアプローチであり、スケーラブルな時系列異常検出(TSAD)の基礎となる。 しかし、標準FMは、名目輸送と局所密度変化挙動が絡み合うモノリシックベクトル場を学習する。 局所的な拡張と収縮は、重要な異常に敏感な情報を運ぶが、このシグナルを分離するには、フィールド全体にわたって高価なジャコビアントラス推定が必要である。 本稿では,ベクトル場予測ネットワークのパラメータ化を行う非教師付きTSADフレームワークである \emph{Helmholtz Component Flow Matching} (HCFM) を提案する。 搬送ヘッドはばらつきのないよう制約されているので、ばらつき推定は圧縮ヘッドに制限され、軽量残留ヘッドは残りのミスマッチを吸収する。 この構造的パラメータ化は、密度変化圧縮から体積保存された名目輸送を分離することでスケーラビリティと検出性能を改善し、よりクリーンな異常信号と異なる名目行動の偏差を生じる。 大規模一変量および多変量TSADベンチマークの実験では、HCFMは16基のベースラインと比較して効率的な推論を維持しつつ、検出精度を一貫して改善している。 コードはhttps://github.com/TrustAIoT/HCFM__time-series-anomaly/で公開されている。

関連論文リスト

• PMosFM: Preconditioned Manifold Matching for One-Step Physics-Constrained Generation [47.34605477768213]
  textbf Preconditioned textbfManifold textbfone-textbfstep textbfFlow textbfMatching (textbfPMosFM) は1ステップの物理制約付き生成のための事前条件付き多様体マッチングフレームワークである。 多様体デコーダの制約を符号化することにより、PMosFMは残留損失と終端残差を分離することなく固有座標の輸送を学習する。
  論文  参考訳（メタデータ） (2026-09-30T17:48:21Z)
• Posterior Flow Matching [66.30954200728964]
  後流マッチングは、ノイズをデータに転送する方法を学ぶ。 同じモデル評価は、トランスポート予測とエンドポイントの不確実性の両方を提供する。 これらの学習モーメントは平均駆動常微分方程式(ODE)と後駆動常微分方程式(SDE)をサポートする。
  論文  参考訳（メタデータ） (2026-09-26T20:44:52Z)
• Mechanism-Aware Ensemble Conditioning for Data-Limited Emulation of Extreme Events [1.0032961794537367]
  本研究では, 粗いアンサンブルを局所不安定な形状の非侵入センサに変換する機構対応コンディショニング・プラグイン・フレームワークを提案する。 固定アンサンブル条件付きFiLM-STORNモデルは(50)時間単位のみで訓練され、長距離レアイベント統計を著しく改善する。
  論文  参考訳（メタデータ） (2026-09-25T03:23:41Z)
• Multi-Fidelity Flow Matching: Cascaded Refinement of PDE Solutions [6.144605787421899]
  マルチフィデリティフローマッチング(Multi-Fidelity Flow Matching)は、PDEソリューションのためのカスケード改善フレームワークである。 我々はこれをPDEソリューションのカスケード改善フレームワークであるMulti-Fidelity Flow Matching (MFFM)で活用する。 MFFMは、クエリ毎に決定論的ネットワーク評価を$L$で最良グリッドに達するマルチグリッド改善の学習アナログである。
  論文  参考訳（メタデータ） (2026-05-15T16:02:18Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• How and Why: Taming Flow Matching for Unsupervised Anomaly Detection and Localization [15.283777345273089]
  時間反転フローマッチングの概念をベクトル場回帰として定式化する。 線形確率経路を持つFMは本質的に非可逆であることを示す。 本研究は,非教師付き異常検出タスクに対するFMの最初の成功例を示す。
  論文  参考訳（メタデータ） (2025-08-07T15:02:07Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。