時系列の異常検知は、サーバー監視・設備の予知保全・不正検知・宇宙機のヘルスモニタリングなど、応用が非常に広い分野です。本記事では、USADやOmniAnomalyのような代表手法も位置づけながら、時系列異常検知という分野そのものを俯瞰するサーベイをお届けします。
特に強調したいのは、この分野が近年2つの大きな転換点を迎えていることです。1つは手法の進化——再構成ベースから、注意機構・対照学習・拡散モデル、そして基盤モデル(foundation model)によるゼロショット検知へ。もう1つは、より深刻な評価方法の見直しです。長年使われてきた評価指標(point-adjust)が「性能を大幅に水増しし、ランダムなスコアでも高い数値を出す」と批判され、ベンチマーク自体が刷新されつつあります。
このサーベイを読むと、次のことが分かります。
- 手法の地図: 8つのパラダイムで主要手法を整理でき、新しい論文がどこに位置するか即座に分かる
- 正しい評価の知識: なぜ古い論文のF1を鵜呑みにしてはいけないのか、何を見るべきか
- これからの方向: 基盤モデル・拡散・状態空間など、どこに研究が向かっているか
本記事の内容
- 時系列異常の3類型と、検知が難しい理由
- 手法の8パラダイム分類と代表手法(表)
- 手法の変遷(2019→2026) と注目パラダイムの深掘り
- 評価の落とし穴: point-adjust問題と新指標(PA%K / range-based / affiliation / VUS)
- ベンチマークの刷新: 欠陥データセットからTSB-ADへ
前提・関連記事
個別手法の詳細は以下が対応します。本サーベイと往復すると理解が深まります。
時系列異常の3類型と、難しさの根源
まず対象を整理します。時系列の異常は伝統的に3つに分類されます。
- 点異常(point anomaly): 単独で大きく外れる値(スパイク)。最も検出しやすい。
- 文脈異常(contextual anomaly): 値そのものは正常範囲だが、文脈(時刻・前後関係)の中では異常。例:真夏の気温0℃。
- 集合異常(collective anomaly): 個々の点は正常でも、並びとして異常(部分系列異常、subsequence anomaly)。例:心電図の不整脈パターン。
検知の難しさは4点に集約されます。(1) ラベルが乏しい(異常はまれで、種類も網羅できない)→教師なし/半教師ありが基本。(2) 時間依存があり、静的な外れ値検知をそのまま使えない。(3) 非定常性・ドリフト(正常の基準が時間とともに変わる)。(4) 多変量の相関(各変量は正常でも組み合わせが異常)。これらに対し、深層学習は「正常パターンを学び、そこからの逸脱を測る」という共通戦略で挑みます。問題は「正常をどう表現し、逸脱をどう測るか」——ここが手法の分かれ道です。
手法の8パラダイム分類
膨大な手法は、おおよそ8つのパラダイムに整理できます。
| パラダイム | 逸脱の測り方 | 代表手法 | 特徴・弱点 |
|---|---|---|---|
| 予測ベース | 未来を予測し、予測誤差で判定 | LSTM-NDT | 直感的だが、本質的に予測困難な系列で誤検出 |
| 再構成ベース | 正常を再構成し、再構成誤差/確率 | AE/VAE, USAD, OmniAnomaly, TranAD, MSCRED | 主流。予測不能でも頑健。mild anomalyを見逃しやすい |
| 密度・距離(古典) | 分布密度や距離で外れ値 | Isolation Forest, LOF, OC-SVM, Matrix Profile | 軽量・解釈容易。時間依存を使わないと弱い |
| 関連・注意 | 注意機構で「関連の乖離」 | Anomaly Transformer | 正常点は全系列と関連、異常点は近傍のみ |
| 対照学習・表現 | 表現空間の不一致(再構成なし) | DCdetector | 二重注意の対照学習で軽量・高性能 |
| 拡散モデル | ノイズ除去で正常を復元 | ImDiffusion, DiffAD, D3R, DDMT | 生成の表現力。計算コスト高 |
| 周波数・状態空間 | 周波数分解 / 状態空間(Mamba) | TimesNet, CATCH, Selective SSM | 周期・長期依存に強い |
| 基盤モデル/ゼロショット | 事前学習を転移 | MOMENT, Chronos, TimesFM, THEMIS | 学習不要で適用。新時代の主役候補 |
「予測 vs 再構成」という古い二分法から、注意・対照・拡散・状態空間・基盤モデルへと選択肢が一気に広がったのが近年の特徴です。重要なのは、どのパラダイムも「正常を表現し逸脱を測る」という核は同じで、表現器(RNN→Transformer→拡散→事前学習モデル)と逸脱の測り方(誤差→確率→関連乖離→対照不一致)が進化している、という見方です。
時系列に沿って、その進化をたどってみましょう。
手法の変遷(2019→2026)
- 2019–2020 再構成ベースの確立: OmniAnomaly(VAE+GRU+POT、KDD’19)とUSAD(敵対的AE、KDD’20)が、確率的再構成と軽量・高速のベースラインを確立。SMD/SMAP/MSL/SWaTが標準ベンチに。
- 2022 注意機構の台頭: Anomaly Transformer(ICLR’22)が関連乖離(association discrepancy) という新しい逸脱指標を提案。TranAD(VLDB’22)はTransformerと敵対+メタ学習で高速化。
- 2022– 評価への疑義: 同時期に「point-adjustでF1が水増しされる」という批判が噴出(後述)。性能競争の前提が揺らぐ。
- 2023 対照学習と拡散: DCdetector(KDD’23)は再構成もガウス核も使わず、二重注意の対照学習だけで匹敵する性能。ImDiffusion・DiffAD(KDD’23)など拡散モデルが参入。
- 2024 ベンチマーク刷新と基盤モデル: TSB-AD(NeurIPS’24)が信頼できるベンチを整備。MOMENT・Chronos・TimesFMなど時系列基盤モデルが異常検知にも波及。
- 2025– ゼロショット・LLM・状態空間: 学習なしのゼロショット検知、LLMによる説明・エージェント的検知、Mamba(状態空間)ベースが活発化。
ここからは、特に注目すべき新しいパラダイムを深掘りします。
深掘り①：関連・対照という「再構成しない」流れ
再構成ベースには弱点があります。表現力の高いモデルは異常まで上手く再構成してしまい(USAD記事で見た問題)、またノイズの多い系列では再構成誤差自体がぶれます。これに対し、再構成を経由しないアプローチが現れました。
Anomaly Transformer は、各時刻の「関連(association)」に注目します。近傍に集中する事前関連(ガウス核)と、自己注意で全系列に広がる系列関連の差(関連乖離)を測り、正常点は系列全体と関連を結べる一方、異常点は隣接にしか関連を持てない、という性質を突きます。DCdetector はさらに踏み込み、再構成損失もガウス核も捨て、二重注意の対照学習だけで「正常は2つの視点で一致するが、異常は不一致」という構造を学びます。逸脱の測り方が「誤差」から「関連・表現の不一致」へ移った、象徴的な流れです。
深掘り②：拡散モデルと状態空間
拡散モデルは、データにノイズを加えて除去する過程を学ぶ生成モデルです。異常検知では「正常はうまく復元できるが異常は復元しにくい」という再構成系の発想を、より強力な生成器で実現します。ImDiffusion(KDD’23)はマスクした区間を条件付き拡散で補完(imputation)し、その誤差で異常を測ります。D3R はドリフト(非定常性)に対処するため、分解で安定成分を取り出してから拡散で復元します。
状態空間モデル(Mamba) も2024年以降に台頭しました。Transformerの計算コスト($O(L^2)$)を避けつつ長期依存を線形計算で捉えられるため、長い系列の異常検知に向きます。Selective SSM やMambaベースの手法が、Anomaly TransformerやDCdetectorを上回ると報告され始めています。
深掘り③：基盤モデルとゼロショット検知
最大の地殻変動が、時系列基盤モデルです。MOMENT・Chronos・TimesFM・Moiraiなど、大規模な時系列コーパスで事前学習したモデルが、追加学習なし(ゼロショット) で予測・分類・異常検知をこなします。たとえば THEMIS は凍結したChronosの埋め込みをそのまま使い、データセット固有の再構成・対照学習なしに異常を検出します。RATFM のように検索拡張(retrieval-augmented)を組み合わせる方向や、合成データと「相対文脈乖離」でゼロショット性能を高める研究も登場しています。
これは「データセットごとにモデルを学習し直す」という前提を崩す可能性があります。さらにLLMを使い、検出結果を自然言語で説明したり(AXIS)、ツールを使ってエージェント的に推論したり(AnomaMind)する研究も出てきました。検知は「スコアを出す」から「理由を説明する」へ広がっています。
手法の話はここまで。しかし——その性能を測る「ものさし」そのものに、深刻な問題があったのです。
評価の落とし穴：point-adjust 問題
時系列異常検知の論文で長年使われてきた評価が point-adjust(PA) です。「異常区間の1点でも検出できれば、その区間全体を正解とみなす」という調整で、連続する異常を1点で代表させる実務的発想に基づきます。ところがこれが性能を大幅に水増しします。
上図のように、長い異常区間の中でたった1点が閾値を超えただけで、point-adjustは区間全体を正しく検出したことにします。再現率が跳ね上がり、F1が実態以上に高く出ます。決定的だったのは、ランダムなスコアやごく単純な手法でも、point-adjustでは最先端と並ぶF1を出せてしまうという指摘でした(Kim ら, AAAI 2022)。つまり、SMD/SMAP/MSL/SWaTでのpoint-adjust F1ランキングは、手法の優劣をほとんど反映していなかった可能性があります。
重要: 古い論文のpoint-adjust F1(0.9前後がずらりと並ぶ表)を額面通りに比較してはいけません。USAD・OmniAnomaly記事の比較表も、この事情を明記してpoint-adjust基準で揃えています。
では何を使うべきか。代替・改良指標が整理されてきました。
| 指標 | 考え方 | 出典 |
|---|---|---|
| PA%K | 区間の K% 以上を検出したときだけ point-adjust する(水増しを抑制) | Kim ら, AAAI 2022 |
| Range-based P/R | 区間の重なり・位置・基数を考慮した範囲ベースの適合率/再現率 | Tatbul ら, NeurIPS 2018 |
| Affiliation metrics | 予測と真の異常区間の「近さ(距離)」で適合率/再現率を定義 | Huet ら, KDD 2022 |
| VUS / Range-AUC | 区間境界に緩衝帯を設け、閾値非依存で面積評価(パラメータフリー) | Paparrizos ら, VLDB 2022 |
近年のコンセンサスは、閾値に依存しない指標(AUC系)を使うこと、そのなかでも区間異常に適した VUS-PR / Range-AUC が頑健、というものです。閾値を1つ選んで出すF1は、閾値の選び方や評価規約で大きくぶれるため、比較には不向きとされます。
指標を直したら、次は「測る土俵」=データセットの問題です。
ベンチマークの刷新：欠陥データから TSB-AD へ
評価指標と並ぶ問題が、ベンチマークデータセット自体の欠陥でした。Wu & Keogh(2021)は、広く使われるSMAP・MSL・Yahoo等のデータセットが「異常が自明すぎる・誤ラベルが多い・run-to-failure バイアス(終端が必ず異常)」といった欠陥を抱え、手法比較をミスリードすると警告しました。簡単な閾値処理でも高スコアが出てしまうのです。
これに応えて、信頼できるベンチマークが整備されました。
- TSB-UAD(VLDB 2022): 単変量時系列の大規模ベンチ。
- TSB-AD(NeurIPS 2024 Datasets & Benchmarks): 40データセット・1070本の高品質時系列を厳選。欠陥ラベルを排し、信頼できる指標として VUS-PR を推奨。論文タイトルは “The Elephant in the Room”——皆が気づきながら放置してきた問題、という含意です。
- TAB など、統一的な再ベンチマークも登場。
これらのベンチで測り直すと、「最新の複雑な深層モデルが、よく調整した古典手法(距離・密度ベース)に必ずしも勝てない」 という、謙虚だが重要な結果がしばしば得られます。派手なF1の裏で、実は単純な手法が強かった——という再現性の教訓です。
実務への指針
サーベイから引き出せる実務の勘所をまとめます。
- まず古典をベースラインに: Isolation Forest・Matrix Profile・単純なAEは、軽量で驚くほど強い。深層モデルはこれらを信頼できる指標で上回って初めて価値がある。
- 指標は閾値非依存で: VUS-PR や Range-AUC を主指標に。point-adjust F1だけの比較は避ける。
- データの性質で選ぶ: 予測可能な周期系列なら予測/周波数ベース、ノイズ・ドリフトが強いなら再構成/拡散/状態空間、ラベルも計算資源も乏しいなら基盤モデルのゼロショットを試す。
- ドメインシフトを想定: 学習時の正常と運用時の正常はずれる。ドリフト対応(D3R系)や定期再学習を前提に設計する。
- 説明性を足す: 異常スコアだけでなく、どの変量・どの区間が原因かを返すと運用が回る(OmniAnomalyの次元別再構成確率など)。
まとめ
時系列異常検知を、手法と評価の両面から深掘りしました。
- 8パラダイム: 予測 / 再構成 / 密度・距離 / 関連・注意 / 対照学習 / 拡散 / 周波数・状態空間 / 基盤モデル
- 進化の軸: 表現器(RNN→Transformer→拡散→事前学習)と逸脱指標(誤差→確率→関連乖離→対照不一致)の二軸で進化
- 評価の見直し: point-adjustはF1を水増しする。PA%K / range-based / affiliation / VUS など閾値非依存・区間考慮の指標へ
- ベンチマーク刷新: 欠陥データ(Wu & Keogh の警告)からTSB-AD(VUS-PR推奨)へ。古典手法の再評価が進む
- これから: 基盤モデルのゼロショット、拡散、状態空間(Mamba)、LLMによる説明・エージェント化
派手な手法に目を奪われがちですが、この分野の本質的な進歩は「正しく測れるようになったこと」 にあるのかもしれません。新しい論文を読むときは、手法の新規性と同じくらい「どのベンチで、どの指標で測ったか」を見てください。
関連する個別手法の詳細記事もどうぞ。
参考文献(主要)
- G. Zamanzadeh Darban ら. “Deep Learning for Time Series Anomaly Detection: A Survey.” ACM Computing Surveys, 2024 (arXiv:2211.05244).
- S. Kim ら. “Towards a Rigorous Evaluation of Time-Series Anomaly Detection.” AAAI, 2022.（point-adjust批判・PA%K）
- A. Huet ら. “Local Evaluation of Time Series Anomaly Detection Algorithms (Affiliation metrics).” KDD, 2022.
- J. Paparrizos ら. “VUS: Volume Under the Surface — Effective and Efficient Accuracy Measures for Time-Series Anomaly Detection.” VLDB, 2022 / VLDB Journal, 2025.
- Q. Liu, J. Paparrizos. “The Elephant in the Room: Towards A Reliable Time-Series Anomaly Detection Benchmark (TSB-AD).” NeurIPS Datasets & Benchmarks, 2024.
- R. Wu, E. Keogh. “Current Time Series Anomaly Detection Benchmarks are Flawed and are Creating the Illusion of Progress.” IEEE TKDE, 2021.
- J. Xu ら. “Anomaly Transformer.” ICLR, 2022. / Y. Yang ら. “DCdetector.” KDD, 2023.
さらに深く ― 各手法・評価の個別解説
本サーベイで触れた手法・評価指標は、原論文の図を引用しながら一本ずつ深掘りしています。