Mamba適応型異常Transformerと時系列における関連不一致

時系列データにおける異常検出は、産業モニタリングや環境センシングにおいて不可欠であるが、複雑なパターンと異常を正確に区別することは依然として困難な課題である。従来の手法としてAnomaly TransformerやDCdetectorが提案されているが、短期的な文脈に敏感であり、ノイズが多く非定常な環境下での効率性に課題を抱えている。本研究では、これらの課題を克服するため、関連性の乖離モデリングおよび再構成品質を向上させた新たなアーキテクチャMAATを提案する。MAATは、関連する時系列ステップに焦点を当てることで長距離依存性を効率的に捉える「スパースアテンション」を特徴としており、計算上の冗長性を低減する。さらに、再構成モジュールに「Mamba-選択的状態空間モデル（Selective State Space Model）」を統合し、スキップ接続とゲート付きアテンションを用いることで、異常の局在化および検出性能を向上させた。広範な実験の結果、MAATは従来手法を大きく上回り、さまざまな時系列応用において異常の識別性と汎化性能が優れていることが示された。これにより、実世界における教師なし時系列異常検出の新たな基準を確立した。