論文の概要: LEAP: a Latent Embedding Anomaly Patch-Transformer for time-series anomaly detection

• arxiv url: http://arxiv.org/abs/2610.35190v1
• Date: Mon, 26 Oct 2026 10:44:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.831701
• Title: LEAP: a Latent Embedding Anomaly Patch-Transformer for time-series anomaly detection
• Title（参考訳）: LEAP: 時系列異常検出用遅延埋め込み異常パッチ変換器
• Abstract要約: 時系列異常検出は、再構成に基づくニューラル検出器が支配する。 最近の大規模なベンチマークでは、キュレートされたデータでは、精巧な深度検出器が単純な統計ベースラインを超えることはめったにない。 マスク付き予測と潜在表現に基づく異常証拠を組み合わせたLEAP(Latent Embedding Anomaly Patch-Transformer)を提案する。
• 参考スコア（独自算出の注目度）: 0.29829664584116466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series anomaly detection is dominated by reconstruction-based neural detectors, whose objective is structurally flawed. Since the target is also the input, an expressive model can learn to reconstruct anomalies too, leaving uninformative residuals. Recent large-scale benchmarks show that, on curated data, elaborate deep detectors rarely beat simple statistical baselines, while current leaders rely on representation learning. We propose LEAP (Latent Embedding Anomaly Patch-Transformer), which combines masked prediction with latent representation-based anomaly evidence, without relying on reconstruction or attention-based scoring. The model removes patches from a window and predicts them from the remaining temporal and cross-channel context, so prediction errors measure how well learned dynamics explain hidden segments. Deterministic complementary group masking ensures every time step is scored while hidden, with identical visible fractions during training and inference. LEAP adds three label-free evidence sources: latent-embedding novelty calibrated by local density, local temporal contrast, and per-channel novelty pooled over channels selected by six label-free criteria. Under the TSB-AD protocol, the full model achieves a VUS-PR of $0.5179 \pm 0.0022$ on $180$ held-out multivariate series. On TSB-AD-U, a univariate variant combining multi-scale masked-prediction scoring with latent novelty, without contrast or channel-pool novelty, achieves $0.6194 \pm 0.0016$ on $350$ held-out series. Both results average three random seeds. A five-stage ablation on TSB-AD-M, supported by paired Wilcoxon signed-rank tests, shows statistically significant gains from each successive component.
• Abstract（参考訳）: 時系列異常検出は、構造的に欠陥がある再構成ベースの神経検出器によって支配される。 対象も入力であるため、表現的モデルは異常の再構築も学べる。 最近の大規模なベンチマークでは、厳密なディープ検出器が単純な統計ベースラインを破ることは滅多になく、現在のリーダーは表現学習に頼っている。 本稿では,マスク付き予測と潜在表現に基づく異常証拠を組み合わせたLEAP(Latent Embedding Anomaly Patch-Transformer)を提案する。 このモデルは、ウィンドウからパッチを除去し、残りの時間的コンテキストとチャネル間コンテキストから予測する。 決定論的相補的なグループマスキングは、トレーニングと推論の間、同じ可視分数で、隠れている間にステップが得点されるたびに保証する。 LEAPには3つのラベルのない証拠源がある: 局所密度、局所時間コントラスト、および6つのラベルのない基準で選択されたチャネルにプールされたチャネルごとの新規性。 TSB-ADプロトコルの下では、フルモデルではVUS-PRの$0.5179 \pm 0.0022$を180$の持たない多変量系列で達成している。 TSB-AD-Uでは、コントラストやチャンネルプールノベルティなしで、マルチスケールマスク付き予測スコアと潜在ノベルティを組み合わせた一変量版が、350ドルの保留シリーズで0.6194 \pm 0.0016$を達成している。 両方の結果は平均して3つのランダムな種である。 TSB-AD-M上の5段階のアブレーションは、ペアのウィルコクソン符号ランク試験によって支持され、各連続成分から統計的に有意な利得を示す。

関連論文リスト

• A Locally Tokenized Generative Model for Robust Time-Series Watermarking [12.477366787279747]
  我々は,グローバルに結合した再符号化に依存する既存の検出器が,後処理攻撃によるヌル分布の双方向ドリフトに悩まされていることを示す。 本稿では,各離散トークンを短い連続したウィンドウから生成する生成モデルであるL-VQVAEと,このトークン空間上の透かし手法であるLVQMarkを提案する。
  論文  参考訳（メタデータ） (2026-08-20T07:25:41Z)
• Learning-based Probabilistic Load Forecasting with Post-hoc and In-model Uncertainty [0.0]
  我々は,1日ごとの確率予測フレームワークを開発した。 モジュラー・ポストホック残量学習スキームとインモデル量子学習スキームを比較した。 この結果から, 再構成された入力に依存する場合の残差量子化の限界が明らかとなった。
  論文  参考訳（メタデータ） (2026-07-14T13:02:18Z)
• Surprised by Attention: Predictable Query Dynamics for Time Series Anomaly Detection [1.7751300245073598]
  AxonADは、マルチヘッドアテンションクエリの進化を短い水平方向予測可能なプロセスとして扱う教師なし検出器である。 テール集約型クエリミスマッチスコアは、最近のタイムステップで予測されたクエリとターゲットクエリの相違を測定する。 インターバルアノテーションを用いた車内テレメトリでは、AxonADは強力なベースライン上でのランキング品質と時間的ローカライゼーションを改善している。
  論文  参考訳（メタデータ） (2026-03-13T11:40:51Z)
• 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)
• PaAno: Patch-Based Representation Learning for Time-Series Anomaly Detection [14.610038284393164]
  時系列異常検出のためのパッチベース表現学習(PaAno)を提案する。 PaAnoは時系列トレーニングデータから短い時間パッチを抽出し、1D畳み込みニューラルネットワークを使用して各パッチをベクトル表現に埋め込む。 TSB-ADベンチマークで評価すると、PaAnoは最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2026-02-01T17:52:59Z)
• LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
  深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。 本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
  論文  参考訳（メタデータ） (2023-10-09T12:36:16Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)

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。