論文の概要: Graph Foundation Models Can Become Effective Multivariate Time Series Anomaly Detectors

• arxiv url: http://arxiv.org/abs/2611.06441v1
• Date: Wed, 04 Nov 2026 12:43:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.109449
• Title: Graph Foundation Models Can Become Effective Multivariate Time Series Anomaly Detectors
• Title（参考訳）: グラフファウンデーションモデルは効果的な多変量時系列異常検出器になる
• Abstract要約: MTSADのための事前学習GFMを解き放つ新しい適応フレームワークGfm4Mtsadを提案する。 本稿では,連続時系列と事前学習したGFM空間をブリッジするSICA(Structure-and-Information Contract Alignment)モジュールを提案する。 我々はTGEC(Tail-Gated Evidence Mechanism)を開発し,ノード間凝集歪みを除去する。
• 参考スコア（独自算出の注目度）: 21.241090220534904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series anomaly detection (MTSAD) relies on modeling both temporal dynamics and inter-sensor dependencies to identify complex system faults. Although graph-based detectors explicitly model sensor topologies, they train task-specific networks from scratch on limited target-domain data, remaining vulnerable to spurious correlations and unable to reuse transferable priors. While pretrained Graph Foundation Models (GFMs) offer transferable topological priors and anomaly discriminability, directly adapting them to MTSAD is hindered by cross-modal feature-topology mismatch, unreliable pseudo-anomaly supervision, and decision distortion during node-to-window aggregation. To fill these gaps, we propose a novel adaptation framework, Gfm4Mtsad, which unleashes pretrained GFMs for MTSAD. We introduce the Structure-and-Information Contract Alignment (SICA) module to bridge continuous time series and the pretrained GFM space. This module harmonizes principal subspace token projection, normal-prior-guided graph construction, and residual recovery to suppress spurious edges while retaining fine-grained temporal details. We propose a Mechanism-Aligned Pseudo-Anomaly Screening strategy (MAPS) to steer unsupervised learning. It applies localized dependency breaks while preserving empirical residuals, selecting hard negatives near the normal boundary for targeted supervision. We develop a Tail-Gated Evidence Calibration mechanism (TGEC) to eliminate node-to-window aggregation distortion. It calibrates multi-granular graph responses against normal operational references, strictly preserving benign score rankings while selectively refining extreme anomaly candidates in the tail distribution for reliable window detection and interpretable sensor evidence. Extensive evaluations with two GFM backbones demonstrate that Gfm4Mtsad achieves superior detection performance over existing baselines.
• Abstract（参考訳）: 多変量時系列異常検出(MTSAD)は、複雑なシステム障害を特定するために、時間的ダイナミクスとセンサー間の依存関係の両方をモデル化することに依存する。 グラフベースの検出器は、センサトポロジを明示的にモデル化するが、限定されたターゲットドメインデータに基づいてタスク固有のネットワークをスクラッチからトレーニングする。 事前訓練されたグラフファンデーションモデル(GFM)は、転送可能なトポロジカル事前と異常識別性を提供するが、それらをMTSADに直接適用することは、クロスモーダルな特徴-トポロジミスマッチ、信頼できない擬似アノマリー監視、ノード-ウィンドウアグリゲーション中の決定歪みによって妨げられる。 これらのギャップを埋めるために,新しい適応フレームワークGfm4Mtsadを提案する。 本稿では,連続時系列と事前学習したGFM空間をブリッジするSICA(Structure-and-Information Contract Alignment)モジュールを提案する。 このモジュールは、主部分空間のトークン射影、正規誘導グラフの構成、および残留回復を調和させ、微細な時間的詳細を保持しながら刺激的なエッジを抑制する。 本研究では,教師なし学習を支援するため,MAPS ( Mechanism-aligned Pseudo-Anomaly Screening Strategy) を提案する。 実験的な残留を保ちながら局所的な依存性の破れを適用し、目標とする監視のために通常の境界付近で硬い負を選択する。 我々はTGEC(Tail-Gated Evidence Calibration Mechanism)を開発し,ノード間凝集歪みを除去する。 正常な操作基準に対する多粒グラフ応答を校正し、良性スコアランキングを厳格に保存し、信頼性の高いウィンドウ検出と解釈可能なセンサエビデンスのために、テール分布における極端な異常候補を選択的に精製する。 Gfm4MtsadはGfm4Mtsadが既存のベースラインよりも優れた検出性能を発揮することを示す。

関連論文リスト

• COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
  一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T09:23:12Z)
• GRAM: Correcting Frozen Time-Series Foundation Models via Graph-Retrieved Amplitude Memory [58.68570511441593]
  時系列基礎モデル(TSFM)は、ドメイン間事前トレーニングによるゼロショット予測を可能にする。 冷凍TSFMのための一般的な検索拡張フレームワークであるGRAMを提案する。
  論文  参考訳（メタデータ） (2026-10-04T00:20:36Z)
• Domain-Prior-Regularized Graph Modeling for Anomaly Detection in Cyber-Physical Systems [4.42333974179549]
  異常検出は、サイバー物理システムの産業監視に重要である。 最近のグラフベースのアプローチは大きな進歩を遂げているが、小さな物理システムではしばしば苦労している。 本稿では,システム設計知識をグラフ構築に組み込んだ予測ベースのフレームワークであるDPR-GMを提案する。
  論文  参考訳（メタデータ） (2026-07-25T13:21:56Z)
• Rethinking Feature Alignment in Generalist Graph Anomaly Detection: A Relational Fingerprint-based Approach [60.199985286210904]
  Generalist Graph Anomaly Detection (GAD)は、グラフ固有のリトレーニングなしで、見えないグラフ上の異常を検出することを目的としている。 既存のアプローチは主に、異なる機能セマンティクスを無視したドメイン間の異種データの整合性に焦点を当てている。 We propose Fingerprint-based generalist GAD approach (ReFi-GAD)。 ReFi-GADは14のデータセットの実験において,最先端の手法よりも有意に優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-25T05:12:26Z)
• Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
  本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。 ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。 実験により,提案手法が最先端検出性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-20T09:24:28Z)
• Real-Time Proactive Anomaly Detection via Forward and Backward Forecast Modeling [0.0]
  本稿では,前向き予測モデル (FFM) と後向き再構成モデル (BRM) の2つの前向きな異常検出フレームワークを紹介する。 FFMは破壊を予想する将来のシーケンスを予測し、BRMは将来の状況から最近の歴史を再構築し、初期の前駆体を明らかにする。 我々のモデルは連続的および離散的多変量特徴の両方をサポートし、実環境における堅牢な性能を実現する。
  論文  参考訳（メタデータ） (2026-02-12T03:57:41Z)
• Disentangling History and Propagation Dependencies in Cross-Subject Knee Contact Stress Prediction Using a Shared MeshGraphNet Backbone [0.8283940114367679]
  予測の不確実性の主な原因が時間的履歴依存か空間的伝播依存かは、まだ不明である。 OpenSim-FEBioワークフローを使用して、9つの被験者による試行のデータセットを構築した。 ヒストリーエンコーディングを組み込んだモデルは、大域的精度と空間的整合性において、ベースラインMGNとModMGNを大きく上回った。
  論文  参考訳（メタデータ） (2026-01-13T08:15:57Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。