VAN-AD：正規化フロー付き可視化マスクドオートエンコーダによる時系列異常検知

arXiv cs.LG / 2026/3/31

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文はIoTシステムにおける時系列異常検知の課題に取り組み、データセットごとに別々に学習したモデルでは汎化が不十分になる問題に焦点を当てている。
提案手法のVAN-ADは、事前学習済みの画像用Masked Autoencoder（MAE）を時系列へ適応することで、過度な一般化や局所的な知覚の弱さといった直接転移の問題を緩和する。
VAN-ADは、事前／事後のMAE再構成統計を統一された空間へ写像するAdaptive Distribution Mapping Module（ADMM）を導入し、異常パターンの強調をより効果的に行う。
さらに、Normalizing Flow Module（NFM）を追加し、MAEの再構成と、グローバル分布の下で現在の時系列ウィンドウの密度推定を組み合わせる。
9つの実世界データセットに対する実験により、VAN-ADが従来の最先端のTS異常検知手法を一貫して上回ることが示され、著者らはコードとデータセットを公開している。

Abstract

時系列異常検知（TSAD）は、IoT対応サービスシステムの信頼性とセキュリティを維持するために不可欠です。既存の手法は、データセットごとに1つの特定モデルを学習する必要があり、その結果として、異なるターゲットデータセット間での汎化能力が限られてしまいます。これにより、学習データが乏しいさまざまな状況での異常検知性能が妨げられます。この制約に対処するため、基盤モデルが有望な方向性として登場しています。しかし、既存のアプローチは、大規模言語モデル（LLM）を転用する、または一般的な異常検知の基盤モデルを開発するために大規模な時系列データセットを構築する、といういずれかにとどまっており、それでもなお、深刻なクロスモーダルギャップや領域内の異質性によって生じる課題に直面しています。本論文では、大規模な視覚モデルがTSADに適用できる可能性を検討します。具体的には、ImageNetで事前学習した視覚用のMasked Autoencoder（MAE）をTSADタスクに適応します。しかし、MAEをTSADに直接転用すると、2つの主要な課題が生じます。過度な汎化と、局所的知覚の制限です。これらの課題に対処するために、TSAD向けの新しいMAEベースの枠組みであるVAN-ADを提案します。過度な汎化の問題を緩和するために、Adaptive Distribution Mapping Module（ADMM）を設計し、MAEの前後における再構成結果を統一された統計空間にマッピングして、異常パターンによって生じる差異を増幅します。局所的知覚の制限を克服するために、さらにNormalizing Flow Module（NFM）を開発します。これは、MAEと正規化フローを組み合わせて、グローバルな分布のもとで現在のウィンドウの確率密度を推定します。実世界の9つのデータセットに対する大規模な実験により、VAN-ADが複数の評価指標において一貫して既存の最先端手法を上回ることを示します。コードとデータセットは https://github.com/PenyChen/VAN-AD で公開します。