論文の概要: When Does Causality Help in Multivariate Time-Series Anomaly Detection?
- arxiv url: http://arxiv.org/abs/2611.15073v1
- Date: Wed, 11 Nov 2026 05:47:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.056268
- Title: When Does Causality Help in Multivariate Time-Series Anomaly Detection?
- Title(参考訳): 多変量時系列異常検出における因果性はいつ有効か?
- Abstract要約: 因果判定は多変量時系列異常検出では一般的であるが、文献ではそれが役に立つとはほとんど書かれていない。
グラフの品質、異常タイプ、および地上の真実に対するプロトコルが異なります。
構造因子は古典的な検出器にも転移する。
- 参考スコア(独自算出の注目度): 17.231095567380823
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causality-aware scoring is common in multivariate time-series anomaly detection, yet the literature rarely states when it helps. Holding one causality-guided autoencoder (DeCauAE) fixed, we vary graph quality, anomaly type and protocol against ground truth. Graph quality fixes the payoff: on a twenty-variable DAG the gain over a graph-free autoencoder decays as the graph is corrupted. Anomaly type fixes the target: the structural factor lifts window F1 from 0.800 to 0.976 where anomalies break conditional structure, and its advantage vanishes below a break severity s 0.3. Protocol fixes the ranking: point-adjusted F1 lets a random score match the full model, while range-aware VUS separates the autoencoder family from the classical baselines. On real benchmarks the causal module pays only where density makes a system eligible and cross-subsample reproducibility selects entities inside it; enabling it everywhere costs 0.012 VUS-ROC. The structural factor also transfers to classical detectors .
- Abstract(参考訳): 因果性認識スコアは多変量時系列異常検出では一般的であるが、文献ではそれが役に立つとはほとんど書かれていない。
1つの因果誘導型オートエンコーダ(DeCauAE)を固定しておくと、グラフの品質、異常型、および基底真理に対するプロトコルが変化する。
20変数のDAGでは、グラフが破損するにつれて、グラフのないオートエンコーダの利得は低下する。
構造因子がウィンドウF1を0.800から0.976に上げ、異常が条件構造を破り、その利点が破壊重大度s0.3以下に消える。
ポイント調整されたF1はランダムスコアをフルモデルにマッチさせ、レンジ対応のVUSはオートエンコーダファミリーを古典的なベースラインから分離する。
実際のベンチマークでは、因果モジュールは、密度がシステムに適合し、サブサンプル間の再現性が内部のエンティティを選択する場合にのみ支払い、至るところで0.012 VUS-ROCのコストがかかる。
構造因子は古典的な検出器にも転移する。
関連論文リスト
- VerdictAD: Few-Shot Anomaly Detection via Decision-Guided Refinement [64.96691084133998]
既存の異常検知器を視覚的決定によって洗練する,トレーニング不要のフレームワークであるVerdictADを紹介した。
既存の検出器を置き換える代わりに、VerdictADでは、クエリイメージとそのローカルリージョンを評価するための型付き決定モデルを採用している。
Global Verdict Refinement (GVR)は画像レベルの決定を使用して全体の異常スコアを洗練し、Local Verdict Refinement (LVR)は局所的な決定を集約して異常マップを洗練させる。
論文 参考訳(メタデータ) (2026-11-02T07:15:42Z) - TGTV: An Interpretable Framework for UAV Fault Detection and Traceability via Spatiotemporal Graph Learning and Large Language Models [29.18797732542961]
本稿では,大規模言語モデルとグラフ学習を統合した解釈可能な故障検出フレームワークを提案する。
構造化エビデンスパッケージは、検出結果、グラフ関係、時間属性、センサ属性、運用コンテキストを組み合わせたものだ。
飛行レベルの故障診断は0.943のリコールとF1スコアの0.944のリコールを達成する。
論文 参考訳(メタデータ) (2026-10-28T00:44:22Z) - Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。
統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
論文 参考訳(メタデータ) (2026-09-03T14:05:27Z) - TRACE: A Multi-Layer Benchmark for Human AI Controller Coordination Under Drift and Failure [0.0]
現代のサイバー物理およびAI支援システムは、人間のオペレータ、AI決定モジュール、自動コントローラを単一の制御ループで結合する。
標準ベンチマークでは、これらのレイヤ間でドリフトと障害がどのように伝播するかの、タイムアラインなマルチレイヤトレースをキャプチャしない。
ALFREDは,日常的な家庭内課題に対する基礎的な指導基準である。
論文 参考訳(メタデータ) (2026-08-07T00:03:55Z) - From Global to Granular: Revealing IQA Model Performance via Correlation Surface [83.65597122328133]
我々は, IQA 性能の構造化, きめ細かな解析を行う textbfGranularity-Modulated correlation (GMC) を提案する。
GMCにはtextbfDistribution Regulatorが含まれており、相関関係を規則化し、非均一な品質分布からのバイアスを軽減する。
標準ベンチマークの実験では、GCCはスカラーメトリクスに見えないパフォーマンス特性を示し、IQAモデルを分析、比較、デプロイするためのより情報に富んだ信頼性の高いパラダイムを提供する。
論文 参考訳(メタデータ) (2026-01-29T13:55:26Z) - Ensemble-Enhanced Graph Autoencoder with GAT and Transformer-Based Encoders for Robust Fault Diagnosis [0.0]
本研究では,新しい断層分類フレームワークを提案する。
様々な馬力レベルで動作する機械の時系列振動データをグラフ表現に変換する。
ディープグラフ変換器エンコーダ、デコーダ、アンサンブルを備えたグラフオート(GAE)を開発し、潜在グラフ表現を学習し、故障を分類する。
論文 参考訳(メタデータ) (2025-04-13T04:21:11Z) - FiLo: Zero-Shot Anomaly Detection by Fine-Grained Description and High-Quality Localization [31.854923603517264]
本稿では,新しいゼロショット異常検出法であるFiLoを提案する。
FiLoは、適応学習されたFG-Des(FG-Des)と位置強調された高品質なローカライゼーション(HQ-Loc)の2つのコンポーネントから構成される。
MVTecやVisAのようなデータセットの実験結果から、FiLoは検出とローカライゼーションの両方においてZSADの性能を大幅に向上することが示された。
論文 参考訳(メタデータ) (2024-04-21T14:22:04Z) - Label Distributionally Robust Losses for Multi-class Classification:
Consistency, Robustness and Adaptivity [55.29408396918968]
多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。
我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。
本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
論文 参考訳(メタデータ) (2021-12-30T00:27:30Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳(メタデータ) (2020-06-08T07:24:33Z)
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。