論文の概要: CLOSURE: Cross-Channel Closure for Multivariate Time Series Anomaly Detection
- arxiv url: http://arxiv.org/abs/2610.35753v1
- Date: Mon, 26 Oct 2026 17:02:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:14.123116
- Title: CLOSURE: Cross-Channel Closure for Multivariate Time Series Anomaly Detection
- Title（参考訳）: CLOSURE:多変量時系列異常検出のためのクロスチャネルクロージャ
- Abstract要約: 回復可能性とチャネル間の整合性を2つの正規データ予測タスクとして評価するCLOSUREを提案する。
ClosUREは、公開ベンチマークストリーム上で、最近の再構成、周波数、トポロジに基づく検出器よりも一貫して優れています。
- 参考スコア（独自算出の注目度）: 14.456040309467403
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate time series produced by industrial installations and server clusters are under continuous monitoring, and anomaly detection is the first line of defense before a local fault escalates into a system-wide failure. In the absence of labels, the dominant paradigm trains a reconstruction model on normal data and scores the residual to reach a verdict. Recent work has steadily enriched the expressiveness of the recovery map through Transformers, diffusion models, and cross-scale associations. A residual, however, only certifies that an observation can be recovered; it does not certify that the variables still explain one another as they do under normal operation. A coordinated yet unfamiliar operating transition inflates the residual without breaking any relationship, whereas a sensor drifting away from its peers may leave the residual silent. Methods that fold inter-variable dependencies into the reconstruction objective inherit this ambiguity, because their relational evidence is ultimately supervised by the same recovery loss. We therefore propose CLOSURE, which evaluates recoverability and cross-channel consistency as two normal-data prediction tasks learned in separation. The recoverability task is solved by a diffusion reconstructor conditioned on a discrete memory of normal temporal bases. The consistency task is solved by a relation-closure operator that predicts every channel exclusively from the others, where the target's own trajectory is withheld and sparse signed gates decide which peers are actually used. The two scores are reconciled only through calibration on normal data. Extensive experiments show that CLOSURE consistently outperforms recent reconstruction-, frequency-, and topology-based detectors on public benchmark streams, confirming the value of examining consistency alongside recoverability.
- Abstract（参考訳）: 産業施設やサーバクラスタが生成する多変量時系列は継続的に監視されており、異常検出は局所的な故障がシステム全体の障害にエスカレートする前に最初の防衛線となる。
ラベルがない場合、支配的パラダイムは通常のデータに基づいて再構成モデルを訓練し、残差を判定する。
最近の研究は、トランスフォーマー、拡散モデル、およびクロススケールアソシエーションによるリカバリマップの表現性を着実に強化している。
しかし、残余は観察が回復可能であることのみを証明し、変数が通常の操作のように互いに説明できることを証明しない。
調整されているが馴染みの無い動作遷移は、関係を壊さずに残余を膨らませるが、その間、仲間から離れて漂うセンサーは残余を静かにする。
相互依存関係を再構築対象に折り畳む方法は、リレーショナル証拠が最終的に同じリカバリ損失によって監督されるため、この曖昧さを継承する。
そこで我々は,分離時に学習した2つの正規データ予測タスクとして,回復可能性とチャネル間の整合性を評価するCLOSUREを提案する。
回復性タスクは、通常の時間軸の離散記憶に条件付された拡散再構成器によって解決される。
整合性タスクはリレーショナルクロージャ演算子によって解決され、ターゲットの軌道が保持されず、署名されたゲートがどのピアが実際に使用されているかを決定する。
2つのスコアは、通常のデータのキャリブレーションによってのみ調整される。
大規模な実験により、CLOSUREは、公開ベンチマークストリーム上で、最近の再構成、周波数、トポロジに基づく検出器を一貫して上回り、回復可能性とともに一貫性を検査する価値を確認している。
関連論文リスト
- Correlation-Aware Reconstruction for Multivariate Time Series Anomaly Detection [13.257724838734928]
現実世界の異常は一つのチャンネルで孤立したスパイクであるだけでなく、チャンネル間の関係の破壊でもある。
これらのモデルは、時間的進化とチャネル間構造の両方をこの単一空間に圧縮するため、チャネル間の依存関係を分離する明確なメカニズムが欠如している。
本稿では,2つの補足空間を持つ再構成型変分オートエンコーダであるCARMAを提案する。
論文 参考訳（メタデータ） (2026-10-11T00:46:24Z) - Supervision Recovery for Time Series Anomaly Detection via Context-Anchored Pairing [20.62709198190006]
時系列異常検出(TSAD)は、時間的異常が文脈に依存しているため、依然として困難である。
TSADの監視・回復フレームワークであるCAPS(Context-Anchored Pair Supervision)を提案する。
CAPSは、理想的異常監視を、同じ時間的文脈下での正常な結果と異常な結果の一致した比較と見なしている。
論文 参考訳（メタデータ） (2026-09-27T14:26:55Z) - MeshHeal: Two-Timescale Self-Healing for Gray Failures in Decentralized LLM Agent Networks [60.95806999869478]
MeshHealは、完全に分散化された自己修復フレームワークである。
能力にマッチしたピアレビューを2つのタイムスケールに分けている。
1タスクあたり51kのトータルモデルトークンを使用して0.839の劣化位相精度を達成し、最強のベースラインでは1タスクあたり115kの0.807の精度を達成した。
論文 参考訳（メタデータ） (2026-09-24T04:29:37Z) - Transferable Evidence Reconstruction for Longitudinal Glucose Representations [22.588909588255614]
変換可能なエビデンス再構成(TER: Transferable evidence Regressor)を導入する: リッジ回帰器は1つの群の表現から証拠に適合し、それを再適合することなくアイデンティティ非結合なグループで予測する。
連続グルコースモニタリング(CGM)では、クロックアウェアエンコーディングは証拠回収に必要な複数日の内容とタイミングを保存している。
論文 参考訳（メタデータ） (2026-09-23T14:38:38Z) - Evidence Before Expansion: Reuse, Spawn, or Defer in Lifelong Expert Pools [0.0]
再使用と産卵は条件付き(機械レベル)の相違に基づく一面的な仮説として表される。
我々は、予測可能な判別器シーケンスの観測可能なサロゲート差分に対する有限時間有効性を証明した。
合成マルチコンセプトストリーム、Electricity、Covertype、および繰り返し重大INSECTSベンチマークでは、再起動された銀行は偽の産出をゼロにする。
論文 参考訳（メタデータ） (2026-08-20T10:54:17Z) - Separating Covariate Shift from Mechanism Change with Two Discriminators: CJSD, a Conditional Discrepancy with an Exact Covariate-Concept Decomposition [0.0]
Conditional Jensen-Shannon Discrepancy (CJSD)
202組のデータセットの10測定バッテリーでは、CJSDとkNNプラグインの2つの条件情報推定器だけがフェールする。
論文 参考訳（メタデータ） (2026-08-20T10:48:08Z) - TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。
しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。
凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。
MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
論文 参考訳（メタデータ） (2026-08-18T23:40:28Z) - Residual Dominance as a Structural Account of Last-Item Reliance in Causal Self-Attention Recommenders [47.8060666024071]
我々は,SASRecスタイルのモデルが,局所的な終点依存を示すことを示す。
その後、残余加算は全ブロック表現を同位置寄与に急変させる。
残留強度を変化させると、構造混合と終点依存との間のモノトニックなトレードオフが生じる。
論文 参考訳（メタデータ） (2026-08-14T07:09:58Z) - Towards Anomaly Detection on Relational Data [51.473064583839296]
属性とリレーショナルエッジの両方から異常を捕捉する再構成に基づくフレームワークを提案する。
RelADは競争効率を保ちながら、他のベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-06-17T02:36:32Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。
本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
論文 参考訳（メタデータ） (2025-07-14T17:13:06Z)
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。