論文の概要: EVOLVE: Uncertainty-Aware Multivariate Time Series Anomaly Prediction with Adaptive Prototype Memories

• arxiv url: http://arxiv.org/abs/2610.32189v1
• Date: Fri, 23 Oct 2026 05:36:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.397596
• Title: EVOLVE: Uncertainty-Aware Multivariate Time Series Anomaly Prediction with Adaptive Prototype Memories
• Title（参考訳）: EVOLVE:適応型原型記憶を用いた不確実性を考慮した多変量時系列異常予測
• Abstract要約: 教師なし時系列異常予測は、現在の観測から将来の異常リスクを推定することを目的としている。 EVOLVEは、可変およびコンテキスト条件の摂動と不確実性を考慮した将来の推論を通じて教師なしAPをモデル化する統合フレームワークである。
• 参考スコア（独自算出の注目度）: 26.885530749242687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised multivariate time series anomaly prediction (AP) aims to estimate future anomaly risks from current observations, providing early-warning signals for proactive intervention and maintenance in complex systems. Existing unsupervised AP methods follow a perturbation-based paradigm, where predefined or random perturbations are injected into historical windows to simulate abnormal future evolution. However, these methods share perturbations across different variables and contexts, and learn deterministic history-to-future evolution. In reality, anomaly evolution is variable- and context-dependent: the same perturbation may be amplified into abnormal future dynamics in one variable or context, while being absorbed as normal fluctuation in another. In addition, future evolution is not uniquely determined by a historical window, since similar histories may lead to multiple plausible trajectories, such as gradual degradation or abrupt changes. To address these problems, we propose EVOLVE, a unified framework that models unsupervised AP via variable- and context-conditioned perturbations and uncertainty-aware future reasoning. EVOLVE constructs context-specific anomaly perturbations through an adaptive anomaly prototype memory, which can dynamically update and retrieve relevant perturbations at the variable level. EVOLVE models uncertainty by sampling multiple latent historical states and decoding through complementary smooth and deviation-amplifying evolution hypotheses, and the disagreement among decoded future trajectories is used to estimate future anomaly risk. Extensive experiments on six real-world benchmark datasets demonstrate that EVOLVE consistently outperforms state-of-the-art anomaly prediction baselines.
• Abstract（参考訳）: 教師なし多変量時系列異常予測(AP)は、現在の観測から将来の異常リスクを推定することを目的としており、複雑なシステムにおける前向きな介入と保守のための早期警戒信号を提供する。 既存の教師なしAP手法は、未定義またはランダムな摂動を過去の窓に注入し、異常な将来の進化をシミュレートする摂動に基づくパラダイムに従っている。 しかし、これらの手法は異なる変数や文脈をまたいだ摂動を共有し、決定論的歴史から未来への進化を学ぶ。 実際には、異常進化は変数依存と文脈依存であり、同じ摂動は1つの変数または文脈における異常な将来の力学に増幅され、他方の変数の通常のゆらぎとして吸収される。 加えて、将来の進化は歴史的窓によって一意に決定されるわけではなく、同様の歴史が徐々に劣化や急激な変化など、複数のもっともらしい軌道に繋がる可能性がある。 これらの問題に対処するために,変数および文脈条件の摂動と不確実性を考慮した将来の推論を通じて教師なしAPをモデル化する統合フレームワークEVOLVEを提案する。 EVOLVEは、適応型異常なプロトタイプメモリを通じてコンテキスト固有の異常摂動を構築し、変数レベルで関連する摂動を動的に更新および取得することができる。 EVOLVEは、複数の遅延履歴状態をサンプリングして不確実性をモデル化し、相補的な滑らかで偏差を増幅する進化仮説を通じて復号し、復号された将来の軌跡間の不一致を利用して将来の異常リスクを推定する。 6つの実世界のベンチマークデータセットに対する大規模な実験は、EVOLVEが常に最先端の異常予測ベースラインを上回っていることを示している。

関連論文リスト

• JAPE: Joint Anomaly Prediction and Intrinsic Explanation in Multivariate Time Series [10.289043309687312]
  JAPE(Joint Anomaly Prediction and Explanation framework)を提案する。 数値解法モデリングから依存性構造モデリングまで、異常予測を解除する。 JAPEは、ポイントワイドアラートとネイティブ変数レベルの説明の両方に対して、依存関係構造を明示的にモデル化する最初の異常予測フレームワークである。
  論文  参考訳（メタデータ） (2026-08-12T08:44:14Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• Obtaining continuum physics from dynamical simulations of Hamiltonian lattice gauge theories [0.0]
  連続限界に対する近似時間進化の影響を厳格に制御する新しい枠組みを提案する。 動作統計の不確実性以下に近似時間進化誤差を駆動するSBTEプロトコルを用いることで、単純化された再正規化手順が導かれることを示す。
  論文  参考訳（メタデータ） (2025-06-19T19:28:21Z)
• GenIAS: Generator for Instantiating Anomalies in time Series [54.959865643340535]
  可変オートエンコーダを用いた時系列異常検出(TSAD)のための生成モデルを開発した。 GenIASはTSADタスクのための多種多様な現実的な合成異常を生成するように設計されている。 実験の結果,GenIASは従来型および深部異常検出モデル17より一貫して優れていた。
  論文  参考訳（メタデータ） (2025-02-12T10:10:04Z)
• Unsupervised Time Series Anomaly Prediction with Importance-based Generative Contrastive Learning [13.082961588929606]
  時系列異常予測は、環境防止やサイバー物理システムの早期維持など、多くの現実のシナリオにおいて重要な役割を果たす。 既存の時系列異常予測手法は、主に手動でラベル付けされた大量のデータで教師付きトレーニングを必要とする。 本稿では,教師なし時系列異常予測の新しい問題について検討する。
  論文  参考訳（メタデータ） (2024-10-22T10:46:36Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Multimodal Motion Conditioned Diffusion Model for Skeleton-based Video Anomaly Detection [46.8584162860564]
  ビデオ異常検出(VAD)のための新しい生成モデルを提案する。 我々は、骨格表現を考察し、最先端拡散確率モデルを用いて、多モーダルな未来の人間のポーズを生成する。 4つの確立されたベンチマークでモデルを検証します。
  論文  参考訳（メタデータ） (2023-07-14T07:42:45Z)
• Autoregressive with Slack Time Series Model for Forecasting a Partially-Observed Dynamical Time Series [3.0232957374216953]
  本稿では、進化関数を同時に推定し、欠落変数をスラック時系列として暗示する自己回帰型とスラック時系列(ARS)モデルを提案する。 理論的な見地から、2次元の時間不変系と線形系は、系の1つの部分的に観察された次元からの観測を利用して再構成可能であることを証明した。
  論文  参考訳（メタデータ） (2023-06-28T23:07:43Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。