構造類似性を適用した時系列異常検知の改良
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.20184v1発表形式：クロス
概要：時系列における効果的な異常検知は、現代の産業応用や金融システムにおいて極めて重要である。異常ラベルの不足と手動によるラベル付けの高コストから、再構成に基づく教師なし手法が大きな注目を集めている。しかしながら、再構成に基づく手法の最適化目標は点ごとの距離尺度だけに依存し、時系列の潜在的な構造的特性を無視するため、複雑なパターン状の異常に対処できないことから、正確な異常検知は依然として未解決の課題である。本論文では、時系列に隠された構造情報を組み込み、データ再構成手順を誘導してそのような構造的特徴をより適切に捉えることで、最適化目標を強化する、新規の構造強化異常検知手法StrADを提案する。StrADは、トレンド、季節性、形状を再構成モデルの最適化目標に組み込み、潜在的な構造的特性を学習し、時系列の固有のパターン変動を捉える。提案する構造認識最適化目標メカニズムは、構造的特徴に関して元のデータと再構成データの整合性を保証し、グローバルな変動とローカルな特性の一貫性を維持する。このメカニズムはプラグイン可能であり、あらゆる再構成ベースの手法に適用でき、点状の異常とパターン状の異常の両方に対するモデルの感度を高める。実験結果は、StrADが5つの実世界の異常検知データセットにおいて、最先端の再構成ベースモデルのパフォーマンスを向上させることを示している。
原文（英語）を表示
Title (EN): An Improved Time Series Anomaly Detection by Applying Structural Similarity
arXiv:2509.20184v1 Announce Type: cross
Abstract: Effective anomaly detection in time series is pivotal for modern industrial applications and financial systems. Due to the scarcity of anomaly labels and the high cost of manual labeling, reconstruction-based unsupervised approaches have garnered considerable attention. However, accurate anomaly detection remains an unsettled challenge, since the optimization objectives of reconstruction-based methods merely rely on point-by-point distance measures, ignoring the potential structural characteristics of time series and thus failing to tackle complex pattern-wise anomalies. In this paper, we propose StrAD, a novel structure-enhanced anomaly detection approach to enrich the optimization objective by incorporating structural information hidden in the time series and steering the data reconstruction procedure to better capture such structural features. StrAD accommodates the trend, seasonality, and shape in the optimization objective of the reconstruction model to learn latent structural characteristics and capture the intrinsic pattern variation of time series. The proposed structure-aware optimization objective mechanism can assure the alignment between the original data and the reconstructed data in terms of structural features, thereby keeping consistency in global fluctuation and local characteristics. The mechanism is pluggable and applicable to any reconstruction-based methods, enhancing the model sensitivity to both point-wise anomalies and pattern-wise anomalies. Experimental results show that StrAD improves the performance of state-of-the-art reconstruction-based models across five real-world anomaly detection datasets.
Published: 2025-09-24 19:00 UTC