論文の概要: TENET: Time-point Encoding Network for Multivariate Time Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.32337v1
• Date: Fri, 23 Oct 2026 08:30:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.436353
• Title: TENET: Time-point Encoding Network for Multivariate Time Series Anomaly Detection
• Title（参考訳）: TENET:多変量時系列異常検出のためのタイムポイント符号化ネットワーク
• Abstract要約: 教師なし時系列異常検出では、局所的な変動は再構成と予測誤差を増大させる。 マルチ時系列異常検出のためのタイムポイントネットワークであるTENETを提案する。 TENETは代替の1クラス目的の下で有効であり、ジェネリックシーケンスエンコーダに基づく置換よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In unsupervised multivariate time series anomaly detection (MTSAD), local variation can inflate reconstruction and forecasting errors, making observation-space discrepancy an unreliable indicator of abnormal system behavior. Since latent-space scoring can mitigate this limitation, we reframe one-class MTSAD as current-point system-state compatibility estimation and propose TENET, the Time-point Encoding Network for Multivariate Time Series Anomaly Detection. We define the current-point system state as a latent representation of the target time point, constructed from variable-level temporal context in the input window. TENET constructs this state through a temporal layer that retrieves window context relative to the current point, encodes time with current-point-centered embeddings, and adaptively mixes the retrieved context with the current representation. With this design, TENET treats the input window not as the object to reconstruct, forecast, summarize, or score, but as context for constructing a latent representation evaluated with a fixed standard-normal negative log-likelihood score. Across benchmark datasets, TENET achieves state-of-the-art performance. Additional experiments further show that TENET remains effective under alternative one-class objectives and outperforms substitutions based on generic sequence encoders, suggesting that its advantage comes from decision-aligned representation construction rather than from a specialized scoring rule. These results indicate that one-class MTSAD can be strong when the latent representation is designed around the current time point.
• Abstract（参考訳）: MTSAD (unsupervised multivariate time series anomaly detection) では、局所的な変動は再構成と予測誤差を増大させ、観測空間の不一致を異常システムの挙動の信頼性の低い指標にする。 遅延空間スコアリングはこの制限を緩和できるため、一級MTSADを現在のシステム状態の整合性推定として再設定し、多変量時系列異常検出のためのタイムポイント符号化ネットワークTENETを提案する。 入力ウィンドウ内の変数レベルの時間的文脈から構築した目標時間点の潜時表現として、現在点系状態を定義する。 TENETは、現在のポイントに対してウィンドウコンテキストを検索し、現在のポイント中心の埋め込みで時間をエンコードし、検索したコンテキストと現在の表現を適応的に混合する時間層を通じて、この状態を構築する。 この設計により、TENETは入力ウィンドウを、再構成、予測、要約、スコアのオブジェクトとしてではなく、固定された標準正規の負の対数類似スコアで評価された潜在表現を構築するためのコンテキストとして扱う。 ベンチマークデータセット全体で、TENETは最先端のパフォーマンスを達成する。 さらなる実験により、TENETは別の一級目的の下で有効であり、汎用シーケンスエンコーダに基づく置換よりも優れていることが示され、その利点は特殊なスコアリングルールではなく、決定整合表現の構成から来ていることが示唆された。 これらの結果から,現在時刻付近に潜在表現が設計されている場合,一級 MTSAD が強くなる可能性が示唆された。

関連論文リスト

• Temporal Structure Matters for Efficient Test-Time Adaptation in Wearable Human Activity Recognition [0.20391237204597365]
  テスト時間適応(TTA)は、実世界のクロスユーザー分散シフト下での性能低下を緩和する。 既存の手法は主に視覚タスクから仮定を継承し、WHARストリームに固有のウィンドウ間時間構造を過小評価する。 本稿では,WHARのための軽量かつバックプロパゲーションフリーなTTAフレームワークであるSIGHTを提案する。
  論文  参考訳（メタデータ） (2026-05-06T08:06:27Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• TaCo: Capturing Spatio-Temporal Semantic Consistency in Remote Sensing Change Detection [54.22717266034045]
  Ta-Coは時間的意味遷移のための一貫したセマンティックネットワークである。 我々は,Ta-Coがリモートセンシング検出タスクにおいて一貫したSOTA性能を実現することを示す。 この設計は推論中に余分な計算オーバーヘッドを伴わずにかなりの利得を得ることができる。
  論文  参考訳（メタデータ） (2025-11-25T13:44:29Z)
• Anomaly Detection for Non-stationary Time Series using Recurrent Wavelet Probabilistic Neural Network [0.36832029288386137]
  教師なしリカレントウェーブレット確率ニューラルネットワーク(RWPNN)を提案する。 非定常環境における異常を検出することを目的として,非密度推定ネットワークを用いて時間的特徴をモデル化する。
  論文  参考訳（メタデータ） (2025-05-16T14:43:00Z)
• Match-And-Deform: Time Series Domain Adaptation through Optimal Transport and Temporal Alignment [10.89671409446191]
  我々は、ソースとターゲット時系列の対応を見つけることを目的としたMatch-And-Deform(MAD)アプローチを導入する。 ディープニューラルネットワークに組み込むと、MADは両方のドメインを整列する時系列の新しい表現を学ぶのに役立つ。 ベンチマークデータセットとリモートセンシングデータに関する実証研究は、MADが有意義なサンプルとサンプルのペアリングと時間シフト推定を行うことを示した。
  論文  参考訳（メタデータ） (2023-08-24T09:57:11Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)

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。