F-SE-LSTM: A Time Series Anomaly Detection Method with Frequency Domain Information
College of Cyber Security, Jinan University(暨南大学网络空间安全学院);Intelligent Science Department, Xi’an Jiaotong-Liverpool University(西交利物浦大学智能科学系);Institute of Industrial Internet and Internet of Things, China Academy of Information and Communications Technology(中国信息通信研究院工业互联网与物联网研究所)
针对时域方法难以识别隐蔽异常的问题,本文提出 F-SE-LSTM,利用双滑动窗口、FFT、SENet 与 LSTM 提取频域周期特征,并在多个基准上提升了检测性能与效率。
2024-12-03 cs.AI
Clustering-based Anomaly Detection in Multivariate Time Series Data
University of Alberta(阿尔伯塔大学);Warsaw School of Information Technology(华沙信息技术学院);AQL Management Consulting Inc.(AQL管理咨询公司)
针对多变量时间序列异常检测需同时考虑时间与变量关系的问题,提出基于聚类的方法,通过滑动窗口生成子序列、扩展模糊聚类揭示结构、重构准则与置信指数检测异常,实验验证其在多领域数据集上的有效性。
2025-11-11 cs.AI
Unsupervised Tomato Split Anomaly Detection using Hyperspectral Imaging and Variational Autoencoders
University of Lincoln(林肯大学)
针对温室番茄裂果异常检测中外观多变和数据稀缺的挑战,提出一种基于高光谱成像和定制变分自编码器的无监督检测方法,在530-550nm波段下实现97%准确率并定位异常区域。
2025-04-28 cs.AI cs.CV
PatchTrAD: A Patch-Based Transformer focusing on Patch-Wise Reconstruction Error for Time Series Anomaly Detection
INSA Rouen(鲁昂国立应用科学学院);Univ Rouen(鲁昂大学);Normandie Univ(诺曼底大学)
本文提出PatchTrAD,一种在重构框架下结合分块与Transformer编码器的时间序列异常检测模型,在多个基准上达到与前沿深度学习模型相当的检测性能,并提升推理效率。
2025-06-10 cs.AI cs.LG
Entropy Causal Graphs for Multivariate Time Series Anomaly Detection
Institute of Innovation, Science and Sustainability(创新、科学与可持续性研究所);Federation University Australia, Australia and CSIRO's Data61(联邦大学澳大利亚分校和CSIRO的数据61);Federation University Australia(联邦大学澳大利亚分校);RMIT University(皇家墨尔本理工学院)
针对现有多元时间序列异常检测忽略变量间因果关系的问题,提出基于传递熵构建因果图并结合加权图卷积与因果卷积的CGAD框架,在真实数据集上平均提升9%。
2025-08-08 cs.AI cs.LG
Recurrent Auto-Encoder With Multi-Resolution Ensemble and Predictive Coding for Multivariate Time-Series Anomaly Detection
Korea University(高丽大学)
由于大规模的时间序列数据在实际应用中很容易被发现,因此多元时间序列异常检测在各个行业中发挥着重要作用。它可以通过基于时间序列数据预防故障和检测异常来提高生产率并降低维护成本。然而,多变量时间序列异常检测是具有挑战性的,因为真实世界的时间序列数据表现出复杂的时间依赖性。对于这项任务,关键是要学习一个丰富的表示,有效地包含正常行为的非线性时间动态。在这项研究中,我们提出了一个无监督的多变量时间序列异常检测模型RAE-MEPC学习信息正常表示的基础上,多分辨率集成和预测编码。我们引入多分辨率集成编码来捕获输入时间序列的多尺度依赖性。编码器分层地聚合从具有不同编码长度的子编码器提取的时间特征。根据这些编码特征,重构解码器基于多分辨率系综解码来重构输入时间序列,其中较低分辨率信息有助于解码具有较高分辨率输出的子解码器。预测编码被进一步引入以鼓励模型学习时间序列的时间依赖性。在真实世界基准数据集上的实验表明,该模型在多变量时间序列异常检测方面优于基准模型。
2022-02-21 cs.AI cs.LG
Neural Contextual Anomaly Detection for Time Series
University of Oxford(牛津大学);AWS AI Labs(AWS人工智能实验室)
我们介绍了神经上下文异常检测(NCAD),这是一个用于时间序列异常检测的框架,可以从无监督到有监督的设置无缝扩展,并且适用于单变量和多变量时间序列。这是通过有效地结合多元时间序列的表示学习的最新发展,与最初为计算机视觉开发的深度异常检测技术,我们定制的时间序列设置。我们的基于窗口的方法有利于学习正常和异常类之间的边界注入通用合成异常到可用的数据。此外,我们的方法可以有效地利用所有可用的信息,无论是作为领域知识,还是作为半监督设置中的训练标签。我们在标准基准数据集上实证证明,我们的方法在这些设置中获得了最先进的性能。
2021-07-16 cs.AI cs.LG
Deep Learning for Time Series Anomaly Detection: A Survey
Monash University(莫纳什大学);Griffith University(格里菲斯大学);IBM T. J. Watson Research Center(IBM T. J. 沃森研究中心)
本文综述了基于深度学习的时间序列异常检测方法,提出分类体系并分析各类模型的优缺点、应用实例及开放挑战。
2024-05-28 cs.AI cs.LG
SPEAR: Soft Prompt Enhanced Anomaly Recognition for Time Series Data
Department of Electrical and Software Engineering(电气与软件工程系)
针对传统时序异常检测方法难处理变长序列与上下文异常的问题,提出结合软提示与量化的SPEAR方法,将量化时序嵌入与可学习软提示结合输入冻结LLM,经交叉熵损失迭代更新软提示,有效提升了LLM时序异常检测性能。
2025-10-04 cs.AI cs.LG
ALGAN: Time Series Anomaly Detection with Adjusted-LSTM GAN
School of Computer Science, Faculty of Science, Queensland University of Technology, Brisbane, QLD 4000, Australia(昆士兰科技大学计算机科学学院)
本文提出ALGAN模型,通过调整LSTM输出改进GAN架构,在无监督下有效检测单变量和多变量时间序列异常,并在46个单变量及一个大型多变量数据集上超越传统及基于GAN的方法。
2023-11-01 cs.AI cs.LG
MadSGM: Multivariate Anomaly Detection with Score-based Generative Models
Yonsei University(延世大学);Samsung SDS(三星SDS);LG AI Research(LG人工智能研究院)
MadSGM提出基于分数生成模型的多变量时间序列异常检测方法,综合重构、密度和梯度三类异常度量,在五个基准数据集上取得最稳健准确的预测结果。
2023-08-29 cs.AI cs.LG
TFAD: A Decomposition Time Series Anomaly Detection Architecture with Time-Frequency Analysis
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
时间序列的异常检测是一个具有挑战性的问题,由于复杂的时间依赖性和有限的标签数据。虽然已经提出了一些包括传统模型和深度模型的算法,但大多数算法主要集中在时域建模上,没有充分利用时间序列数据的频域信息。在本文中,我们提出了一个基于时频分析的时间序列异常检测模型,或简称TFAD,利用时域和频域的性能改善。此外,我们将时间序列分解和数据增强机制,在所设计的时频架构,以进一步提高性能和可解释性的能力。在广泛使用的基准数据集上的实证研究表明,我们的方法在单变量和多变量时间序列异常检测任务中获得了最先进的性能。代码在https://github.com/DAMO-DI-ML/CIKM22-TFAD上提供。
2023-03-25 cs.AI cs.LG
Nominality Score Conditioned Time Series Anomaly Detection by Point/Sequential Reconstruction
MIT(麻省理工学院)
提出一种利用基于点和序列重建模型的无监督时间序列异常检测框架,通过整合标称性分数与异常分数推导出更优的诱导异常分数,在多个公共数据集上优于大多数最先进基线方法。
2023-10-24 cs.AI cs.LG
Can LLMs Serve As Time Series Anomaly Detectors?
School of Computing, Macquarie University(麦考瑞大学计算学院);School of Computer Science, University of Technology Sydney(悉尼科技大学计算机科学学院)
本文研究GPT-4和LLaMA3能否检测并解释时间序列异常,发现直接使用不可行,但通过提示策略和合成数据集指令微调可显著提升其异常检测性能,展示出LLMs作为时间序列异常检测器的潜力。
2024-08-06 cs.AI cs.LG
AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly Detection using Data Degradation Scheme
Seoul National University(首尔大学)
AnomalyBERT提出基于数据退化方案的自监督Transformer,通过合成离群值替换输入数据训练模型,有效检测多元时间序列异常,在五个真实基准上超越现有方法。
2023-05-08 cs.AI cs.LG
Warped Time Series Anomaly Detection
本文提出WETSAND方法,通过动态时间扭曲算法处理扭曲时间序列,实现高效异常检测。
2024-04-18 cs.AI eess.SP
PaAno: Patch-Based Representation Learning for Time-Series Anomaly Detection
Department of Industrial Engineering, Sungkyunkwan University(成均馆大学工业工程系)
PaAno提出一种轻量高效的时序异常检测方法,通过提取短时片段并使用1D卷积神经网络进行嵌入,结合三元组损失和预设任务损失提升表示学习效果,实验证明在多种评估指标上优于现有方法。
2026-07-02 cs.AI cs.LG
CESNET-TimeSeries24: Time Series Dataset for Network Traffic Anomaly Detection and Forecasting
CESNET a.l.e.;Czech Technical University in Prague(布拉格捷克理工大学)
本文提出CESNET-TimeSeries24数据集,基于CESNET3网络中27.5万个活跃IP地址40周的流量构建,旨在填补大规模真实网络数据空白,为基于预测的异常检测方法提供真实评估基准。
2024-09-27 cs.AI cs.LG
Denoising Architecture for Unsupervised Anomaly Detection in Time-Series
Telekom Innovation Laboratories(电信创新实验室);Eötvös Loránd University(厄特沃什·罗兰大学)
时间序列中的异常提供了从银行和航空航天到信息技术、安全和医学等一系列行业的关键场景的见解。然而,识别时间序列数据中的异常是特别具有挑战性的,因为异常的定义不精确,标签的频繁缺失,以及这些数据中存在的极其复杂的时间相关性。LSTM自动编码器是一种基于长短期记忆网络的异常检测编码器-解码器方案,它学习重构时间序列行为,然后使用重构错误来识别异常。我们引入去噪架构作为对LSTM编码器-解码器模型的补充,并研究其对现实世界以及人工生成的数据集的影响。我们证明了所提出的架构提高了准确性和训练速度,从而使LSTM Autoencoder在无监督异常检测任务中更有效。
2022-08-30 cs.AI cs.LG
Temporal-Conditioned Normalizing Flows for Multivariate Time Series Anomaly Detection
本文提出时间条件归一化流框架,通过建模时间依赖性与不确定性,实现多变量时间序列的高效异常检测。
2026-03-10 cs.AI cs.LG
Label-Efficient Interactive Time-Series Anomaly Detection
Tsinghua University(清华大学);Microsoft(微软);University of Washington(华盛顿大学);Peking University(北京大学)
时间序列异常检测是一项重要的研究课题,在工业界有着广泛的应用。由于人工数据标注成本高且效率低,大多数应用程序采用无监督的异常检测方法,但结果通常是次优的,最终客户不满意。弱监督是一种以低成本方式获得大量标签的有前途的范例,它使客户能够通过编写启发式规则来标记数据,而不是单独注释每个实例。然而,在时间序列领域,由于时间序列数据在数值上是连续的,难以理解,人们很难写出合理的标记函数。在本文中,我们提出了一个标签高效的交互式时间序列异常检测(LEIAD)系统,它使用户能够通过执行只有少量的交互系统,以提高无监督的异常检测的结果。为了实现这一目标,该系统集成了弱监督和主动学习协作,同时自动生成标记功能,只使用少量的标记数据。所有这些技术都是相辅相成的,可以相互促进。我们在三个时间序列异常检测数据集上进行了实验,证明了所提出的系统在弱监督和主动学习方面都优于现有的解决方案。该系统已在实际的工业场景中进行了测试,以证明其实用性。
2022-12-30 cs.AI cs.LG
OneShot: Label-Efficient Detector Weighting for Time Series Anomaly Detection
LG AI Research(LG AI研究院)
针对时间序列异常检测缺乏通用检测器的问题,本文提出ONESHOT方法,利用单个已确认异常对检测器组加权,在152个单变量和73个多变量序列上性能优于基线方法。
2026-10-14 cs.AI cs.LG
DDMT: Denoising Diffusion Mask Transformer Models for Multivariate Time Series Anomaly Detection
本文提出DDMT框架,通过自适应动态邻居掩码缓解弱身份映射问题,并首次结合去噪扩散模型与Transformer建模正常数据分布,在五个公开数据集上取得最先进的多元时间序列异常检测性能。
2023-10-30 cs.AI cs.LG
Towards Foundation Auto-Encoders for Time-Series Anomaly Detection
( ) AIT Austrian Institute of Technology
本文提出基于VAE和膨胀卷积的基础自编码器FAE,通过在海量时间序列上预训练实现通用建模与零样本异常检测,并在多个数据集上验证了其初步效果。
2025-07-02 cs.AI cs.LG
Towards Deep Industrial Transfer Learning for Anomaly Detection on Time Series Data
University of Stuttgart(斯图加特大学)
深度学习有望在时变数据集上进行高性能的异常检测,但却严重受限于合适的训练数据集的低可用性和频繁变化的任务。深度迁移学习通过让算法基于来自不同任务或位置的先前知识来提供缓解。在本文中,提出了一种用于时间序列数据集异常检测的模块化深度学习算法,该算法允许轻松集成此类迁移学习功能。它在离散制造过程的数据集上进行了彻底的测试,以证明其对深度工业迁移学习的基本充分性-工业应用特殊环境中的知识转移。
2021-06-09 cs.AI cs.LG
Multivariate Time Series Anomaly Detection via Dynamic Graph Forecasting
University Of Waterloo(滑铁卢大学)
单变量时间序列中的异常通常指异常值以及与大多数历史观测的时间模式的偏差。在多元时间序列中,异常也指序列间关系(如相关性)随时间的异常变化。现有的研究已经能够通过图神经网络来建模这种系列间的关系。然而,大多数工作解决了学习静态图全局或在上下文窗口内,以帮助时间序列预测任务或重建任务,其目标是不适合显式检测异常关系。其他一些作品基于重建或预测系列间图的列表来检测异常,由于图的离散性,这无意中削弱了它们捕获数据内的时间模式的能力。在这项研究中,我们提出了DyGraphAD,一个多变量的时间序列异常检测框架的基础上的动态系列间图的列表。其核心思想是通过利用图形的演化性质,基于序列间关系和序列内时间模式从正常状态到异常状态的偏差来检测异常,以便同时帮助图形预测任务和时间序列预测任务。我们在真实世界数据集上的数值实验表明,DyGraphAD具有优于基线异常检测方法的性能。
2023-02-04 cs.AI cs.LG
Retrieval Over Training: Similarity search-based Model Selection for Time Series Anomaly Detection
Université Paris Cité, LIPADE(巴黎西岱大学,LIPADE);École Normale Supérieure, Inria(巴黎高等师范学院,法国国家信息与自动化研究所)
本文提出RAMSAD框架,通过检索相似序列的检测器推荐解决时间序列异常检测模型选择的OOD准确率下降问题,其在ID场景优于基线,OOD场景鲁棒且成本低。
2026-10-16 cs.AI cs.LG
LLM-Assisted Logic Rule Learning: Scaling Human Expertise for Time Series Anomaly Detection
本文提出利用大语言模型学习逻辑规则,用于提升供应链时间序列异常检测的准确性和可解释性,通过三阶段框架实现专家知识的系统编码与自动化优化。
2026-01-27 cs.AI cs.LG
When Model Meets New Normals: Test-time Adaptation for Unsupervised Time-series Anomaly Detection
KAIST(韩国科学技术院)
针对无监督时间序列异常检测中正常性分布随时间变化的问题,提出基于趋势估计与自监督学习的测试时适应策略,以提升模型在分布偏移下的检测鲁棒性。
2024-01-21 cs.AI cs.LG
Weighted Contrastive Learning for Anomaly-Aware Time-Series Forecasting
Center for Applied Intelligent Systems Research, Halmstad University(哈尔姆斯塔德大学应用智能系统研究中心);Mikael Linden Consulting AB(Mikael Linden咨询公司)
本文提出WECA方法,通过带权对比学习对齐正常和异常增强的表示,提升异常条件下时间序列预测的可靠性,实验显示在异常数据上SMAPE提升6.1个百分点。
2026-06-29 cs.AI cs.LG
Knowledge-Assisted Multi-Graph Dependency Learning for Multivariate Time Series Anomaly Detection in Multi-Stage Industrial Processes
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
针对多阶段工业过程中多变量时间序列异常检测问题,提出知识辅助多图框架并构建三个互补图,利用多图注意力网络建模,通过纳入过程知识显著提升异常检测性能。
2026-07-20 cs.AI cs.LG
Unravel Anomalies: An End-to-end Seasonal-Trend Decomposition Approach for Time Series Anomaly Detection
Tsinghua University(清华大学);Shanghai Jiao Tong University(上海交通大学)
针对传统时间序列异常检测方法难以处理复杂复合数据与多样异常的问题,提出端到端模型TADNet,结合季节-趋势分解关联异常与分解分量,采用合成数据预训练加微调的训练策略,在真实数据集上实现了当前最优的多类型异常检测性能。
2023-12-14 cs.AI cs.LG
A Comparative Study on Unsupervised Anomaly Detection for Time Series: Experiments and Analysis
Aalborg University(奥尔堡大学);University of Electronic Science and Technology of China(电子科技大学);Huawei Cloud(华为云)
社会过程的持续数字化转化为时间序列数据的激增,这些数据涵盖了欺诈检测、入侵检测和能源管理等应用,其中异常检测对于实现可靠性和安全性至关重要。最近的许多研究针对时间序列数据的异常检测。事实上,时间序列异常检测领域的特点是不同的数据,方法和评估策略,在现有的研究中的比较只考虑这种多样性的一部分,这使得它很难选择一个特定的问题设置的最佳方法。为了解决这一缺点,我们引入了数据,方法和评估策略的分类,使用分类提供了无监督时间序列异常检测的全面概述,并系统地评估和比较了最先进的传统和深度学习技术。在使用九个公开数据集的实证研究中,我们将最常用的性能评估指标应用于公平执行标准下的典型方法。基于结构所提供的分类,我们报告的实证研究,并提供指导方针,在比较表的形式,选择最适合于特定的应用程序设置的方法。最后,我们提出了这个动态领域的研究方向。
2022-09-10 cs.AI cs.LG
GraphSubDetector: Time Series Subsequence Anomaly Detection via Density-Aware Adaptive Graph Neural Network
DAMO Academy, Alibaba Group(阿里巴巴达摩院)
针对时间序列子序列异常检测的三大挑战,提出GraphSubDetector:通过自适应子序列长度选择机制和密度感知自适应图神经网络(DAGNN)学习鲁棒表示,在多个基准数据集上性能优于先进算法。
2024-11-26 cs.AI cs.LG
Angel or Devil: Discriminating Hard Samples and Anomaly Contaminations for Unsupervised Time Series Anomaly Detection
本文提出PLDA方法,通过结合参数行为和损失行为,提升无监督时间序列异常检测中区分异常污染和困难正常样本的能力,实验表明其显著提升检测性能。
2024-10-26 cs.AI cs.LG
mTSBench: Benchmarking Multivariate Time Series Anomaly Detection and Model Selection at Scale
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Sandia National Laboratories(桑迪亚国家实验室)
mTSBench是一个大规模多变量时间序列异常检测与模型选择基准测试,评估24种检测器并揭示模型选择的迫切需求。
2026-02-07 cs.AI cs.LG
AnomSeer: Reinforcing Multimodal LLMs to Reason for Time-Series Anomaly Detection
提出AnomSeer,通过专家思维链和基于最优传输的时间序列接地策略优化,增强多模态大语言模型在时间序列异常检测中的细粒度推理能力,统一异常分类、定位和解释。
2026-05-31 cs.AI cs.LG
RATFM: Retrieval-augmented Time Series Foundation Model for Anomaly Detection
Chuo University(中川大学)
本文提出检索增强时间序列基础模型RATFM,通过引入目标域正常示例实现测试时自适应异常检测,在避免领域微调的同时取得与领域内微调相当的性能。
2025-06-02 cs.AI cs.LG
Possibility for Proactive Anomaly Detection
University of California, San Diego(加利福尼亚大学圣迭戈分校);KAIST(韩国科学技术院);Samsung SDS(三星SDS公司);Yonsei University(延世大学)
针对现有时间序列异常检测模型依赖观测值误差导致不切实际的问题,本研究提出结合异常检测专用预测模型与数据驱动模型的主动方法,通过训练数据确定阈值并基于预测值检测异常,经四个基准验证有效性且附源代码。
2025-04-15 cs.AI cs.LG
CANDI: Curated Test-Time Adaptation for Multivariate Time-Series Anomaly Detection Under Distribution Shift
CANDI提出了一种新的测试时适应框架,通过精选潜在的假阳性样本并保留预训练知识,提升多变量时间序列异常检测在分布偏移下的性能,实验显示其在AUROC上提升达14%。
2026-04-02 cs.AI cs.LG
A Graph-based Framework for Online Time Series Anomaly Detection Using Model Ensemble
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Nanjing Normal University(南京师范大学)
本文提出GDME框架,通过动态图结构和模型集成实现在线时间序列异常检测,实验显示其在检测性能和计算效率上均优于现有方法。
2026-01-04 cs.AI cs.LG
Graph Neural Network-Based Anomaly Detection in Multivariate Time Series
National University of Singapore(新加坡国立大学)
给定高维时间序列数据(例如,传感器数据),我们如何检测异常事件,如系统故障和攻击?更具挑战性的是,我们如何以一种捕获复杂的传感器间关系的方式来做到这一点,并检测和解释偏离这些关系的异常情况?最近,深度学习方法已经能够改进高维数据集中的异常检测;然而,现有方法没有显式地学习变量之间现有关系的结构,或者使用它们来预测时间序列的预期行为。我们的方法结合了结构学习方法与图神经网络,另外使用注意力权重来提供检测到的异常的可解释性。在两个真实传感器数据集上进行的实验表明,我们的方法比基线方法更准确地检测异常,准确地捕获传感器之间的相关性,并允许用户推断检测到异常的根本原因。
2021-06-13 cs.AI cs.LG
MGADN: A Multi-task Graph Anomaly Detection Network for Multivariate Time Series
Tianjin University(天津大学)
时间序列的异常检测,特别是多变量时间序列(多传感器时间序列)的异常检测,一直是人们关注的焦点。虽然现有的方法已经取得了很大的进展,但仍有一些具有挑战性的问题需要解决。首先,包括神经网络在内的现有方法仅关注时间戳方面的关系。确切地说,他们只想知道过去的数据如何影响未来的数据。然而,一个传感器有时会干扰其他传感器,例如风速可能导致温度下降。其次,时间序列异常检测的模型主要有两类:预测模型和重构模型。预测模型善于学习及时表示,但面对稀疏异常时能力不足。重建模型则相反。因此,如何有效地获得时间戳和传感器之间的关系成为我们的主要课题。我们的方法使用GAT,这是源于图神经网络,以获得传感器之间的连接。LSTM用于及时获取关系。我们的方法也被设计为双头计算预测损失和重建损失通过VAE(变分自动编码器)。为了充分利用两种模型的优点,在模型中采用了多任务优化算法。
2022-11-27 cs.AI cs.LG
DeepFIB: Self-Imputation for Time Series Anomaly Detection
时间序列(TS)异常检测(AD)在各种应用中起着至关重要的作用,例如,金融和医疗监控中的欺诈检测。由于异常的固有不可预测性和高度变化的性质以及历史数据中缺乏异常标签,AD问题通常被公式化为无监督学习问题。现有解决方案的性能往往不令人满意,特别是在数据稀缺的情况下。为了解决这个问题,我们提出了一种新的自监督学习技术AD的时间序列,即\emph{DeepFIB}。我们将问题建模为一个\emph{Fill In the Blank}游戏,通过掩蔽TS中的一些元素并将其与其余元素相关联。考虑到TS数据中两种常见的异常形状(点异常或序列异常),我们使用许多自生成的训练样本实现了两种掩蔽策略。相应的自归算网络可以提取更强大的时间关系比现有的AD解决方案,并有效地促进识别这两种类型的异常。对于连续离群值,我们还提出了一个异常定位算法,大大减少了AD错误。在各种真实TS数据集上的实验表明,DeepFIB的性能大大优于最先进的方法,在F1评分方面实现了高达$65.2\%$的相对改善。
2021-12-12 cs.AI cs.LG
Unsupervised Distance Metric Learning for Anomaly Detection Over Multivariate Time Series
School of Software Technology, Zhejiang University(浙江大学软件学院);Donghai Laboratory(东海实验室)
针对多元时间序列异常检测缺乏无监督鲁棒距离方法的问题,提出 FCM-wDTW,结合局部加权 DTW 与模糊 C 均值聚类学习潜在空间并重构识别异常,在 11 类基准上展现准确且高效的性能。
2024-03-04 cs.AI cs.LG
Dive into Time-Series Anomaly Detection: A Decade Review
Inria(法国国家信息与自动化研究所);DI ENS(巴黎高等师范学院数字研究所);PSL(巴黎文理研究大学);CNRS(法国国家科学研究中心);The Ohio State University(俄亥俄州立大学);Université Paris Cité(巴黎西岱大学);IUF(法国大学研究院)
本文综述了近十年时间序列异常检测研究,提出以过程为中心的分类法对现有方法进行系统归类,并通过文献元分析总结该领域的主要发展趋势。
2024-12-29 cs.AI cs.DB cs.LG
Feedforward Neural Network for Time Series Anomaly Detection
Tencent Company(腾讯公司);National University of Singapore(新加坡国立大学)
时间序列异常检测通常被表述为发现相对于一些通常数据的异常数据点,这也是工业界和学术界的一个重要问题。为了确保系统稳定运行,互联网公司,银行和其他公司需要监控时间序列,这被称为KPI(关键性能指标),如CPU使用量、订单数、在线用户数等。然而,数以百万计的时间序列有几种形状(例如,季节性KPI、定时任务的KPI和所使用的CPU的KPI),使得很难使用简单的统计模型来检测所有类型的时间序列的异常。虽然一些异常检测器已经发展了很多年,一些监督模型也可以在这个领域,我们发现许多方法都有自己的缺点。在本文中,我们提出了我们的系统,这是基于深度前馈神经网络和检测时间序列的异常点。我们的系统与其他基于监督模型的系统之间的主要区别在于,我们不需要对时间序列进行特征工程来训练深度前馈神经网络,这本质上是一个端到端的系统。
2018-12-21 cs.AI cs.LG stat.ML
CALAD: Channel-Aware contrastive Learning for multivariate time series Anomaly Detection
Department of Industrial Engineering, Inha University, Incheon, Republic of Korea(韩国Inha大学工业工程系)
提出CALAD框架,通过估计信道相关性指导对比样本构建,结合对比学习和辅助重构头,实现信道感知的多元时间序列异常检测,在分布漂移场景下优于现有方法。
2026-05-22 cs.AI cs.LG
An Unsupervised Short- and Long-Term Mask Representation for Multivariate Time Series Anomaly Detection
National University of Defense Technology(国防科技大学);College of Computer Science and Technology(计算机科学与技术学院);Institute for Quantum Information(量子信息研究所)
多元时间序列的异常检测对于系统行为监测具有重要意义。提出了一种基于无监督短时和长时掩码表示学习(SLMR)的异常检测方法。其主要思想是分别利用多尺度残差扩张卷积和门控递归单元(GRU)提取多元时间序列的短期局部依赖模式和长期全局趋势模式。此外,我们的方法可以理解的时间上下文和特征相关性,结合时空掩蔽自监督表示学习和序列分裂。该方法考虑到特征的重要性不同,引入注意力机制来调整各特征的贡献。最后,一个基于预测的模型和一个基于重构的模型相结合,专注于单时间戳预测和时间序列的潜在表示。实验表明,我们的方法的性能优于其他国家的最先进的模型在三个真实世界的数据集。进一步的分析表明,我们的方法是良好的可解释性。
2022-08-19 cs.AI cs.LG
Calibrated One-class Classification for Unsupervised Time Series Anomaly Detection
National University of Defense Technology(国防科技大学);College of Computer, National University of Defense Technology(国防科技大学计算机学院);Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));Singapore Management University(新加坡管理大学)
本文提出校准单类分类方法,通过基于不确定性建模的校准和原生异常校准,缓解无监督时间序列异常检测中的异常污染问题,并在十个数据集上显著优于十六个SOTA基线。
2024-04-24 cs.AI cs.LG
Context-aware Domain Adaptation for Time Series Anomaly Detection
Rice University(莱斯大学);Visa Research(维萨研究院)
本文提出一种上下文感知的时间序列领域自适应框架,将上下文采样建模为马尔可夫决策过程并用深度强化学习优化,以生成领域不变特征,缓解异常检测中的负向知识迁移问题。
2023-04-15 cs.AI cs.LG
Generalist Representation, Specialist Detection: TS-Router for Time-Series Anomaly Detection
Tsinghua University(清华大学);Huawei(华为);Datadog AI Research(Datadog AI 研究院)
提出TS-Router框架,利用预训练时间序列表示估计各异常检测器能力并自适应选择专家,无需目标标签,在16个基准上取得最佳平均排名。
2026-10-02 cs.AI cs.LG
TPA-AD: A Two-Stage Pseudo Anomaly-Guided Method for Bearing Time-Series Anomaly Detection
CQSF.com(重庆师范大学);Huadian University(哈尔滨理工大学)
提出一种两阶段伪异常引导方法TPA-AD,通过重构模型和特征误差控制生成边界伪异常窗口,结合对比学习与KNN实现无监督轴承时间序列异常检测,在轴承故障和退化数据集上表现稳定且具泛化性。
2026-06-02 cs.AI cs.LG stat.ML
ASTER: Latent Pseudo-Anomaly Generation for Unsupervised Time-Series Anomaly Detection
University of Montreal(蒙特利尔大学);Université de Montréal(蒙特利尔大学)
提出ASTER框架,在潜在空间生成伪异常训练Transformer分类器,结合预训练LLM增强表示,在三个基准数据集上达到最优性能。
2026-06-12 cs.AI cs.CV cs.LG