BoundAD：境界認識ネガティブ生成による時系列異常検知

要約: 時系列の異常検知（TSAD）における対照学習法は、ネガティブサンプルの構築の質に大きく依存します。
ただし、ランダムな摂動や疑似異常注入に基づく既存の戦略は、時系列の意味的整合性を同時に保持しつつ、効果的な意思決定境界の監督を提供することが難しい場合が多い。
ほとんどの既存手法は事前の異常注入に依存しており、正規サンプル自体からデータ・マニフォールドの境界近くに位置する難易度の高いネガティブを直接生成する可能性を見落としている。
この問題に対処するため、正規サンプルの再構成プロセスを通じて自動的に難易度の高いネガティブを構築する再構成駆動型の境界ネガティブ生成フレームワークを提案します。
具体的には、手法はまず再構成ネットワークを用いて正規の時系列パターンを捉え、次に現在の再構成状態に応じて最適化更新の大きさを適応的に調整する強化学習戦略を導入します。
このように、再構成の軌跡に沿って境界シフトしたサンプルを誘導し、それを後続の対照表現学習に活用します。
明示的な異常注入に依存する既存の手法とは異なり、提案されたフレームワークは事前に定義された異常パターンを必要とせず、代わりにモデル自身の学習ダイナミクスからより難易度の高い境界ネガティブを探索します。
実験結果は、提案手法が異常表現学習を効果的に改善し、現在のデータセット上で競争力のある検出性能を達成することを示しています。