Abstract
多変量時系列異常検知（MTSAD）は、多変量時系列における正常性からの逸脱を特定することを目的としており、実世界のアプリケーションにおいて極めて重要です。しかし、実運用では分布変化が遍在しており、事前学習済みの異常検知器の性能が深刻に劣化します。テスト時適応（TTA）は、ラベルなしのテストデータのみを用いて事前学習済みモデルをその場で更新するものであり、この課題への対処として有望です。本研究では、CANDI（分布変化下における多変量時系列の異常検知のためのキュレーションされたテスト時適応：Curated test-time adaptation for multivariate time-series ANomaly detection under DIstribution shift）を提案します。これは、潜在的な誤検知（false positives）を選択的に同定して適応しつつ、事前学習済みの知識を維持する新しいTTAフレームワークです。CANDIは、異常度（anomaly scores）と潜在表現の類似性（latent similarity）に基づいて適応サンプルをキュレーションするためのFalse Positive Mining（FPM）戦略を導入し、構造を踏まえたモデル更新のための、プラグアンドプレイ型のSpatiotemporally-Aware Normality Adaptation（SANA）モジュールを組み込みます。大規模な実験の結果、CANDIは分布変化下におけるMTSADの性能を大幅に改善し、より少ない適応サンプルを使用しながら、AUROCを最大14%向上させることが示されました。
