論文の概要: HieraNTP: Structured Risk Representations for Time-Series Anomaly Detection via Hierarchical Next-Token Prediction

• arxiv url: http://arxiv.org/abs/2611.00945v1
• Date: Sat, 31 Oct 2026 13:47:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:23:28.189976
• Title: HieraNTP: Structured Risk Representations for Time-Series Anomaly Detection via Hierarchical Next-Token Prediction
• Title（参考訳）: HieraNTP:階層的次トーケン予測による時系列異常検出のための構造的リスク表現
• Abstract要約: 時系列異常検出は、学習された時間的規則性からの逸脱を異常スコアに変換するのが一般的である。 HieraNTPはタスク固有のリスク解釈から自己教師付き予測モデリングを分離する。 タスク適応検出器は異常ラベルを使用して、対象タスクに対するこの証拠を選択し、組み合わせる。
• 参考スコア（独自算出の注目度）: 58.62266932880605
• License:
• Abstract: Time-series anomaly detection commonly converts deviations from learned temporal regularities into anomaly scores. This practice can conflate violations of temporal regularity with task-specific anomaly judgments: the same deviation may be anomalous under one task definition and benign under another. Aggregating heterogeneous deviations into a single score before task-specific adaptation can obscure the evidence needed to distinguish these cases. We introduce HieraNTP, a Hierarchical Next-Token Prediction framework that separates self-supervised predictive modeling from task-specific risk interpretation. HieraNTP pretrains a hierarchical tokenizer and a causal next-token predictor to capture temporal regularities at multiple scales. It then organizes prediction discrepancies into a structured risk representation, preserving complementary evidence across temporal scales in token, local-statistic, and observation spaces. A task-adaptive detector uses anomaly labels to select and combine this evidence for the target task. Across anomaly detection benchmarks, HieraNTP improves VUS-PR by 12.0% on TSB-AD-U and 15.5% on TSB-AD-M relative to the strongest baselines, and achieves the highest composite score on both TAB tracks, with controlled comparisons supporting the value of retaining distinct evidence. Our code is available at https://github.com/blisky-li/HieraNTP.
• Abstract（参考訳）: 時系列異常検出は、学習された時間的規則性からの逸脱を異常スコアに変換するのが一般的である。 このプラクティスは、時間的規則性の違反とタスク固有の異常判断を区別することができる:同じ偏差は、あるタスク定義の下で異常であり、別のタスク定義の下で良性である。 タスク固有の適応の前に不均一な偏差を1つのスコアに集約することは、これらのケースを区別するのに必要な証拠を曖昧にする可能性がある。 タスク固有のリスク解釈から自己教師付き予測モデリングを分離する階層型次世代予測フレームワークであるHieraNTPを紹介する。 HieraNTPは階層的トークン化器と因果的次トーケン予測器を事前訓練し、複数のスケールで時間正規性をキャプチャする。 その後、予測の不一致を構造化されたリスク表現に整理し、トークン、局所統計、観測空間の時間スケールにわたって補完的な証拠を保存する。 タスク適応検出器は異常ラベルを使用して、対象タスクに対するこの証拠を選択し、組み合わせる。 異常検出ベンチマーク全体では、HieraNTPはTSB-AD-Uで12.0%、TSB-AD-Mで15.5%、VUS-PRで2つのTABトラックで最高合成スコアを達成した。 私たちのコードはhttps://github.com/blisky-li/HieraNTP.comで公開されています。

関連論文リスト

• TPA-AD: A Two-Stage Pseudo Anomaly-Guided Method for Bearing Time-Series Anomaly Detection [15.271061413934332]
  2段階の擬似異常誘導型異常検出法を提案する。 通常の境界付近で擬似非正則ウィンドウを生成する。 ノーマルウィンドウと擬似アノマラスウィンドウの対比学習を通じて、異常に敏感な表現を学習する。
  論文  参考訳（メタデータ） (2026-06-02T15:39:10Z)
• 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)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• BayesTTA: Continual-Temporal Test-Time Adaptation for Vision-Language Models via Gaussian Discriminant Analysis [41.09181390655176]
  CLIPのような視覚言語モデル(VLM)は、強いゼロショット認識を実現するが、実世界のシナリオに共通する時空間的な分散シフトの下で大幅に劣化する。 テスト分布が時間とともに徐々に変化するCT-TTA(textitContinal-Temporal Test-Time Adaptation)として、この実践的問題を定式化する。 我々は、時間的に一貫した予測を実行し、視覚表現を動的に調整する、ベイズ適応フレームワークであるtextitBayesTTAを提案する。
  論文  参考訳（メタデータ） (2025-07-11T14:02:54Z)
• Adaptive Thresholding Heuristic for KPI Anomaly Detection [1.57731592348751]
  時系列領域では、多くの異常検知器が探索されているが、ビジネス的な意味では、すべての異常検出器が興味のある異常であるわけではない。 本稿では,データ分布の局所特性に基づいて検出閾値を動的に調整し,時系列パターンの変化に適応する適応的閾値保持ヒューリスティック(ATH)を提案する。 実験結果から, ATHは効率が良く, ほぼリアルタイムで異常検出が可能であり, 予測器や異常検出器で柔軟であることがわかった。
  論文  参考訳（メタデータ） (2023-08-21T06:45:28Z)
• 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)
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy [68.86835407617778]
  Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。 Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-06T10:33:55Z)

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。