# Anomaly Transformer Jiehui Xu・Haixu Wu・Jianmin Wang・Mingsheng Long(Tsinghua University)による Transformer ベースの教師なし時系列異常検知手法(arXiv:2110.02642、2021)。association discrepancy を計算する anomaly-attention 機構を使う。 本 wiki では [[LLMAD]] のベースラインとして登場。[[@2025__KDD__Large Language Models can Deliver Accurate and Interpretable Time Series Anomaly Detection]] の評価では、Best F1 で 0.621(KPI 0.918・WSD 0.670・Yahoo 0.274)と高い反面、Delayed F1 では 0.152 と非常に低い——「近傍点との関連で異常を判定するため、異常点が窓内で相対的に中央でないと取りこぼす」と原論文側で診断される(Liu+ §4.2)。 ## 関連 - 著者: Jiehui Xu / Haixu Wu / Jianmin Wang / Mingsheng Long([[Tsinghua University]]) - 関連手法: [[LLMAD]](LLMAD が比較対象として採用) - 概念: [[異常検知]] / [[時系列異常検知ベンチマーク]] - 参照ソース: [[@2025__KDD__Large Language Models can Deliver Accurate and Interpretable Time Series Anomaly Detection]] / [[@2024__OJCS__Large Pretrained Foundation Model for Key Performance Indicator Multivariate Time Series Anomaly Detection]] [[ViTSD]] の実験設定([[@2024__OJCS__Large Pretrained Foundation Model for Key Performance Indicator Multivariate Time Series Anomaly Detection]])でも、17ベースラインの1つ、および検知窓長100・segment-adjustment評価手法の準拠元として使われている。SMDデータセットの計算量比較(Table 9)では ViTSD(ViTAD)よりわずかに高いF1(90.33 vs 89.04)を記録した。