論文の概要: Future of Time Series Anomaly Detection: From Historical Review to Unified Outlook

• arxiv url: http://arxiv.org/abs/2610.30628v1
• Date: Thu, 22 Oct 2026 02:52:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.192887
• Title: Future of Time Series Anomaly Detection: From Historical Review to Unified Outlook
• Title（参考訳）: 時系列異常検出の未来:歴史的レビューから統一的展望へ
• Abstract要約: 時系列異常検出(TSAD)はデータマイニングにおける基礎的な問題であり、名目的時間的パターンから大きく逸脱する観測を識別することを目的としている。 近年の研究では、拡散モデル、状態空間モデル、大規模言語モデル(LLM)など多様なアーキテクチャが生み出されている。
• 参考スコア（独自算出の注目度）: 56.78930126335971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series anomaly detection (TSAD) is a foundational problem in data mining, aiming to identify observations that deviate significantly from nominal temporal patterns. Driven by escalating data volumes and application complexity, recent research has yielded diverse architectures, including diffusion models, state space models, and large language models (LLMs). However, existing surveys provide limited coverage of these emerging designs and lack a unified treatment of multivariate anomalies, cross-domain unified modeling, metric reliability, and contemporary evaluation challenges. To bridge these gaps, this survey delivers three core contributions: (1) We establish a refined anomaly categorization and a structured taxonomy of paradigms reflecting modern advances, comparing detection mechanisms and charting developmental trajectories across paradigms. (2) We provide an extensive analysis of evaluation methodologies and conduct comprehensive experiments to assess metric fidelity, complemented by an open-source benchmark repository encompassing algorithms, datasets, and evaluation tools. (3) We outline key open challenges, offering forward-looking perspectives on dynamic thresholding, model interpretability, zero-shot transfer, multi-modal alignment, and foundational models for time series. By addressing existing theoretical and empirical limitations, this survey establishes a coherent framework to guide future TSAD research and practical deployments.
• Abstract（参考訳）: 時系列異常検出(TSAD)はデータマイニングにおける基礎的な問題であり、名目的時間的パターンから大きく逸脱する観測を識別することを目的としている。 データボリュームとアプリケーションの複雑さをエスカレートすることで駆動される最近の研究は、拡散モデル、状態空間モデル、大規模言語モデル(LLM)など様々なアーキテクチャを生み出している。 しかし、既存の調査では、これらの新しい設計を限定的に網羅し、多変量異常、クロスドメイン統合モデリング、メートル法信頼性、現代的評価課題の統一的な処理を欠いている。 これらのギャップを埋めるために,本調査は,(1)近代の進歩を反映した,洗練された異常分類と構造化されたパラダイムの分類を確立し,検出機構とパラダイム間の発達軌跡のグラフ化を比較した。 2) 評価手法を網羅的に分析し, アルゴリズム, データセット, 評価ツールを含むオープンソースのベンチマークリポジトリを補完し, 測定精度を評価するための総合的な実験を行う。 (3) 動的しきい値、モデル解釈可能性、ゼロショット転送、マルチモーダルアライメント、時系列の基本モデルについて、先見的な視点を提供する。 既存の理論的・実証的な限界に対処することにより,今後のTSAD研究と実践的展開を導くための一貫性のある枠組みを確立する。

関連論文リスト

• Cross-View Feature Matching: Survey, Benchmarking, and Foundation-Model Perspectives [74.46417373478194]
  クロスビュー特徴マッチングは、大きな視点変化を持つ画像間の信頼性の高い対応を確立することを目的としている。 過去10年間で、この分野はタスク固有のモデルから、ますます統一され、一般化可能な対応モデルへと発展してきた。 これらの進歩にもかかわらず、既存の研究は問題定式化、モデルアーキテクチャ、訓練パラダイム、評価プロトコルにおいて非常に多様である。
  論文  参考訳（メタデータ） (2026-08-11T16:00:40Z)
• Test-Time Scaling in Multimodal Foundation Models: A Comprehensive Survey of Generation and Reasoning [26.30578541156939]
  テストタイムスケーリング(TTS)は,モデル性能向上のための重要な研究方向として登場した。 最近の進歩は、このパラダイムをMFM(Multimodal Foundation Models)に適用している。 MFMのためのTS研究の総合的なレビューを初めて紹介する。
  論文  参考訳（メタデータ） (2026-06-06T15:39:29Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• Foundation Models for Time Series: A Survey [0.27835153780240135]
  トランスフォーマーベースの基礎モデルは時系列解析において支配的なパラダイムとして現れてきた。 この調査は、いくつかの分野にまたがって分類する新しい分類法を導入している。
  論文  参考訳（メタデータ） (2025-04-05T01:27:55Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• A Comprehensive Survey on Generative Diffusion Models for Structured Data [0.0]
  生成拡散モデルは 深層生成モデルにおいて 急激なパラダイムシフトを達成しました 構造化データは、ディープラーニング研究コミュニティから比較的限られた注目を集めている。 このレビューは、構造化データの生成拡散モデルの発展を促進する研究コミュニティの触媒となる。
  論文  参考訳（メタデータ） (2023-06-07T04:26:41Z)

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。