要旨: 時系列異常検知（TSAD）は、産業モニタリング、ヘルスケア、サイバーセキュリティといった領域において重要ですが、まれで多様な異常やラベル付きデータの不足により、依然として難題となっています。この不足のため、教師なしアプローチが主流ですが、既存手法はしばしば、複雑なデータに対してうまく機能しない再構成や予測に依存するか、ドメイン固有の異常合成や固定距離計測を必要とする埋め込みベースの手法に依存しています。私たちは、手作業による異常注入やドメイン知識を不要とし、潜在空間内で疑似異常を直接生成する枠組みASTERを提案します。潜在空間デコーダは、Transformerベースの異常分類器を訓練するための、状況に合わせた疑似異常を生成し、さらに事前学習済みのLLMが、この空間の時間的および文脈的表現を強化します。3つのベンチマークデータセットでの実験により、ASTERは最先端の性能を達成し、LLMベースTSADの新たな標準を確立しました。
ASTER：教師なし時系列異常検知のための潜在空間における擬似異常生成
arXiv cs.LG / 2026/4/16
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- ASTERは、ラベル不足や異質で稀な異常が多い時系列異常検知（TSAD）に対して、潜在空間で擬似異常を生成して学習に活用する枠組みを提案しています。
- 従来の再構成・予測ベースや、ドメイン知識を用いた手作りの異常合成・固定距離指標依存の埋め込み法の弱点を、潜在空間での直接生成により回避することを狙っています。
- 潜在空間デコーダがTransformerベースの異常分類器を訓練するための「テーラーメイド擬似異常」を生成し、さらに事前学習済みLLMが時系列・文脈表現を潜在空間側で強化します。
- 3つのベンチマークデータセットで既存手法を上回る性能を示し、「LLMベースTSAD」の新たな基準となる旨を報告しています。
