[論文レビュー] BoundAD: Boundary-Aware Negative Generation for Time Series Anomaly Detection

Xiancheng Wang, Lin Wang+3 more|arXiv (Cornell University)|Mar 18, 2026

Anomaly Detection Techniques and Applications被引用数 0

ひとこと要約

BoundADは、教師なし時系列異常検知のための対照学習を強化するため、境界を意識した負生成を強化学習ガイドで行い、続いてプロトタイプベースの識別強化を行う。

ABSTRACT

Contrastive learning methods for time series anomaly detection (TSAD) heavily depend on the quality of negative sample construction. However, existing strategies based on random perturbations or pseudo-anomaly injection often struggle to simultaneously preserve temporal semantic consistency and provide effective decision-boundary supervision. Most existing methods rely on prior anomaly injection, while overlooking the potential of generating hard negatives near the data manifold boundary directly from normal samples themselves. To address this issue, we propose a reconstruction-driven boundary negative generation framework that automatically constructs hard negatives through the reconstruction process of normal samples. Specifically, the method first employs a reconstruction network to capture normal temporal patterns, and then introduces a reinforcement learning strategy to adaptively adjust the optimization update magnitude according to the current reconstruction state. In this way, boundary-shifted samples close to the normal data manifold can be induced along the reconstruction trajectory and further used for subsequent contrastive representation learning. Unlike existing methods that depend on explicit anomaly injection, the proposed framework does not require predefined anomaly patterns, but instead mines more challenging boundary negatives from the model's own learning dynamics. Experimental results show that the proposed method effectively improves anomaly representation learning and achieves competitive detection performance on the current dataset.

研究の動機と目的

• 教師なしTSADにおける境界学習を向上させるため、正常データの多様体近傍で難易度の高いネガティブを生成する。
• 再構成、RLガイド付き疑似異常生成、プロトタイプベースの改良を組み合わせた3段階フレームワークを開発する。
• 境界に焦点を当てたネガティブが対照表現と異常識別を改善することを示す。
• 再構成、表現学習、プロトタイプ識別を共同最適化する学習パイプラインを提供する。

提案手法

• Stage 1: 正常な時系列パターンを捉える再構成モデルを事前訓練する。
• Stage 2: 強化学習を用いて再構成器の符号付き更新により疑似異常ウィンドウを適応的に生成する。正常、拡張、疑似異常のサンプルを用いたトリプレットエンコーダの訓練を、トリプレット損失とコンパクト性損失で行う。
• Stage 3: 学習可能なプロトタイプベースのモジュールを導入し、ソフトアサインメントでプロトタイプへ割り当て、Normalのコンパクト性、異常分離、プロトタイプ分散、プロトタイプ平衡の損失を用いる。最近傍プロトタイプ距離を異常スコアとして用いる。
• 異常スコアはStage 3後の最近傍プロトタイプまでの距離を用い、閾値で二値異常判断を行う。
• 主要な式には reconstruction loss L_rec、triplet loss L_tri、compactness loss L_com、Stage 3の損失 L_n、L_a、L_sep、L_bal、異常スコア s(z)=min_k ||z-c_k||^2 が含まれる。

実験結果

リサーチクエスチョン

• RQ1 RL制御された近境界付近の疑似異常生成はTSADの対照学習を改善するか？
• RQ2 3段階フレームワーク（再構成 + RLガイド付き負生成 + プロトタイプ改良）は、再構成のみや静的異常注入ベースラインよりも教師なしTSADで優れているか？
• RQ3 境界意識的ネガティブは正常サンプルと異常サンプルの埋め込み空間の幾何にどう影響するか？
• RQ4 プロトタイプベースの改良は多峰性の正常多様体を捉え、偽陽性抑制を改善できるか？
• RQ5 BoundADの下で点異常とパターン（集合的）異常の検出特性はどうなるか？

主な発見

Experiment	AUC	TP	TN	FP	FN	Predicted Anomalies
Seasonal	0.9606	73	297	0	11	73
Point	0.9438	48	304	22	7	70

• 本手法は Seasonal（0.9606）と Point（0.9438）異常タスクで高いAUCを達成。
• Seasonal異常はPoint異常よりAUCが高く、FPが低く、異常スコアの分離が鮮明。
• RL生成ネガティブを用いたトリプレットエンコーダ学習はトリプレット損失を低下させる（Seasonal: 0.0153→0.0007; Point: 0.0256→0.0011）。
• Stage 3のプロトタイプ学習は総損失を安定（約0.045–0.050）に保ちつつ、強いNormalのコンパクト性とプロトタイプ分散を実現。
• Normalサンプルは学習可能なプロトタイプの周りにクラスタリングされ、疑似異常は離れて配置されることで、異常スコアの明確化を促進。
• 境界認識ネガティブは固定的な摂動よりも有益な信号を提供し、境界学習と識別を支援。