VAN-AD: 時間系列異常検出のための正規化フロー付きビジュアルマスクドオートエンコーダー

arXiv:2603.26842v2 発表タイプ：置き換え 要約：時間系列異常検出（TSAD）は、IoT 環境のサービスシステムの信頼性とセキュリティ維持に不可欠です。既存の方法は、各データセット用に特定のモデルを学習する必要があるため、異なる目標データセットへの一般化能力が限られており、データが不足している多様なシナリオにおける異常検出性能を阻害しています。この課題に対処するため、ファウンデーションモデルが有望な方向として浮き上がりました。しかし、既存のアプローチは、大規模言語モデル（LLMs）を再利用するか、大規模な時間系列データセットを構築して一般異常検出ファウンデーションモデルを開発するものの、深刻なクロスモーダルギャップやドメイン内多様性によって引き起こされる課題に対処できていません。本研究では、大規模ビジュアルモデルを TSAD に適用する可能性を検討します。具体的には、ImageNet 上で事前学習されたビジュアルマスクドオートエンコーダー（MAE）を TSAD タスクに適応させました。しかし、MAE を直接 TSAD に転送すると、2 つの重要な課題が現れます：過剰一般化と局所知觉の限界。これらの課題に対処するため、本研究では新たな MAE ベースの TSAD フレームワーク「VAN-AD」を提案します。過剰一般化の問題を緩和するために、適合分布マッピングモジュール（ADMM）を設計し、MAE の前と後で生成される再構成結果を一貫した統計的空間にマッピングして、異常パターンによる乖離を増幅させます。局所知觉の限界を克服するために、さらに正規化フローモジュール（NFM）を開発し、MAE と正規化フローを組み合わせ、全体的な分布に基づいて現在のウィンドウの確率密度を推定します。9 つのリアルワールドデータセットによる広範な実験により、VAN-AD は複数の評価指標において既存の最先进法を一定に優越することを示しました。当プロジェクトのコードとデータセットは、https://github.com/PenyChen/VAN-AD に公開しています。

arXiv:2603.26842v2 Announce Type: replace Abstract: Time series anomaly detection (TSAD) is essential for maintaining the reliability and security of IoT-enabled service systems. Existing methods require training one specific model for each dataset, which exhibits limited generalization capability across different target datasets, hindering anomaly detection performance in various scenarios with scarce training data. To address this limitation, foundation models have emerged as a promising direction. However, existing approaches either repurpose large language models (LLMs) or construct largescale time series datasets to develop general anomaly detection foundation models, and still face challenges caused by severe cross-modal gaps or in-domain heterogeneity. In this paper, we investigate the applicability of large-scale vision models to TSAD. Specifically, we adapt a visual Masked Autoencoder (MAE) pretrained on ImageNet to the TSAD task. However, directly transferring MAE to TSAD introduces two key challenges: overgeneralization and limited local perception. To address these challenges, we propose VAN-AD, a novel MAE-based framework for TSAD. To alleviate the over-generalization issue, we design an Adaptive Distribution Mapping Module (ADMM), which maps the reconstruction results before and after MAE into a unified statistical space to amplify discrepancies caused by abnormal patterns. To overcome the limitation of local perception, we further develop a Normalizing Flow Module (NFM), which combines MAE with normalizing flow to estimate the probability density of the current window under the global distribution. Extensive experiments on nine real-world datasets demonstrate that VAN-AD consistently outperforms existing state-of-the-art methods across multiple evaluation metrics.We make our code and datasets available at https://github.com/PenyChen/VAN-AD.