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
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
Mamba Adaptive Anomaly Transformer with association discrepancy for time series
针对现有时间序列异常检测方法的短期上下文敏感、非平稳环境效率低等问题,提出融合稀疏注意力与Mamba选择性状态空间模型的MAAT架构,经实验验证其检测性能与泛化能力更优,树立了真实场景无监督时序异常检测新基准。
2025-05-17 cs.LG
Anomaly detection and motif discovery in symbolic representations of time series
大数据炒作的出现以及对事件日志和来自传感器、监控软件和机器配置的实时数据的一致回忆,在行业的每个部门都产生了大量随时间变化的数据。在异常检测和模式挖掘必须完全由机器完成的许多情况下,这种数据的基于规则的处理已经不再相关。自21世纪初以来,用于表示时间序列的事实标准一直是符号聚集近似(SAX)。在本文中,我们提出了一些算法,使用这种表示方法进行异常检测和基序发现,也称为模式挖掘,在这样的数据。我们提出了一个基准的异常检测算法使用云监控软件的数据。
2017-04-18 cs.AI
Precursor-of-Anomaly Detection for Irregular Time Series
Yonsei University(延世大学);LG AI Research(LG人工智能研究院)
本文提出异常前兆(PoA)检测,利用神经控制微分方程和多任务学习,在不规则时间序列上同时预测未来异常,实验表明优于17个基线。
2023-10-13 cs.AI
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
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
GTHNA: Local-global Graph Transformer with Memory Reconstruction for Holistic Node Anomaly Evaluation
Wuhan University(武汉大学);Macquarie University(麦考瑞大学)
提出GTHNA框架,通过局部-全局Transformer编码器、记忆引导重构机制和多尺度表示匹配策略,解决图异常检测中的过度平滑和异常节点干扰问题,在七个基准数据集上优于现有方法。
2025-09-13 cs.AI cs.LG
ARES: Locally Adaptive Reconstruction-based Anomaly Scoring
School of Computing, National University of Singapore(新加坡国立大学计算学院);Institute for Infocomm Research, A*STAR(新加坡科技研究局资讯通信研究院);Institute of Data Science, National University of Singapore(新加坡国立大学数据科学研究所)
我们如何检测异常:即与给定的高维数据集(如图像或传感器数据)显著不同的样本?这是一个具有许多应用的实际问题,并且也与使学习算法对意外输入更鲁棒的目标相关。自动编码器是一种流行的方法,部分原因是它们的简单性和执行降维的能力。然而,异常评分函数不适应正常样本范围内重建误差的自然变化,这阻碍了它们检测真实异常的能力。在本文中,我们经验证明了本地自适应异常评分的重要性,在实验中与真实数据。然后,我们提出了我们的新的自适应重建错误为基础的评分方法,它适应其评分的基础上的局部行为的重建错误的潜在空间。我们表明,这提高了异常检测性能在各种各样的基准数据集的相关基线。
2022-06-15 cs.AI cs.LG
Multivariate Time Series Anomaly Detection via Dual-Branch Reconstruction and Autoregressive Flow-based Residual Density Estimation
Zhejiang University(浙江大学);Zhejiang Sci-Tech University(浙江理工大学)
本文提出DBR-AF框架,通过双分支重建和自回归流模块解决多变量时间序列异常检测中的过拟合和误判问题,实验表明其在多个基准数据集上表现优异。
2026-03-29 cs.AI cs.LG
A Zero-shot Generalized Graph Anomaly Detection Framework via Node Reconstruction
School of Computing, KAIST(韩国科学技术院计算机学院)
提出AlignGAD框架,通过全局统一模块对齐异构特征、聚类模块捕获组级异常模式及节点差异评分模块聚合多视图异常证据,实现零样本跨域图异常检测。
2026-09-01 cs.AI cs.LG
RESTAD: REconstruction and Similarity based Transformer for time series Anomaly Detection
Delft University of Technology(代尔夫特理工大学)
针对仅靠重构误差的无监督时间序列异常检测难发现细微异常的问题,提出融合RBF神经元层的Transformer模型RESTAD,结合相似度得分与重构误差提升检测敏感度,在多个基准数据集上表现优于现有基线。
2024-05-13 cs.AI cs.LG
Graph Evidential Learning for Anomaly Detection
Renmin University of China(中国人民大学);Guangxi University(广西大学);Microsoft MAI(微软MAI);Cornell University(康奈尔大学)
本文提出图证据学习(GEL)框架,通过证据分布建模节点特征与图拓扑,量化图不确定性和重构不确定性并用于异常评分,在无监督图异常检测中实现了最先进性能且对噪声和结构扰动具有较高鲁棒性。
2025-05-31 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
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
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
An Improved Time Series Anomaly Detection by Applying Structural Similarity
School of Computer Science and Engineering, Beihang University, Beijing, China(计算机科学与工程学院,北航,北京,中国);School of Software, Beihang University, Beijing, China(软件学院,北航,北京,中国)
针对基于重构的时间序列异常检测忽略结构特征的问题,提出结构增强方法StrAD,在优化目标中融入趋势、季节性和形状,提升对逐点和模式级异常的检测性能。
2025-09-24 cs.AI cs.LG
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
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
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
TRACE: Reconstruction-Based Anomaly Detection in Ensemble and Time-Dependent Simulations
本文提出基于重建的异常检测方法,通过2D和3D自编码器在集成和时间依赖模拟中识别异常模式,强调时空上下文对动态模拟异常检测的重要性。
2026-01-13 cs.AI cs.CV 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
Generative Adversarial Network with Soft-Dynamic Time Warping and Parallel Reconstruction for Energy Time Series Anomaly Detection
Indian Institute of Science(印度科学研究所);FLAME University(FLAME大学)
本文提出一种结合一维DCGAN与Soft-DTW的能源时间序列异常检测方法,通过并行重建加速检测并提升建筑能耗异常识别能力。
2024-02-22 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
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
Neural Network Training Strategy to Enhance Anomaly Detection Performance: A Perspective on Reconstruction Loss Amplification
SK Planet Co., Ltd.(SK Planet有限公司)
针对无监督异常检测模型泛化约束需求,提出重构损失放大方法LAMP,通过锐化损失景观增大异常重构误差,无需改动网络架构即可提升检测性能,且适配各类仅用正常样本训练的UAD场景重构指标。
2023-08-28 cs.AI cs.CV cs.LG
Fixing Bias in Reconstruction-based Anomaly Detection with Lipschitz Discriminators
Yale University(耶鲁大学);Mila -- Quebec AI Institute(米拉——魁北克人工智能研究所)
异常检测在需要识别和校正异常的领域(例如,医学和金融)。用于此任务的深度学习方法通常依赖于自动编码器重建误差,有时还与其他误差结合使用。我们表明,这种方法表现出内在的偏见,导致不良的结果。基于重建的方法对训练数据异常值和简单重建点敏感。相反,我们引入了一个新的无监督的Lipschitz异常,不受这些偏见。我们的异常检测器被训练,类似于GANs中使用的异常检测器,以检测训练数据和训练数据的损坏之间的差异。我们表明,这个过程成功地检测到看不见的异常,保证那些有一定的Wasserstein距离的数据或损坏的训练集。这些增加使我们能够在MNIST、CIFAR10和健康记录数据上显示改进的性能。
2020-07-26 cs.AI cs.CV cs.LG
Reconstruct Anomaly to Normal: Adversarial Learned and Latent Vector-constrained Autoencoder for Time-series Anomaly Detection
时间序列的异常检测是一个被广泛研究的问题,具有重要的实际应用价值。近年来,异常检测算法大多基于深度学习生成模型,并使用重构误差来检测异常。在训练阶段通过重构正态数据来捕捉正态数据的分布,然后计算测试数据的重构误差来进行异常检测。然而,大多数方法在训练阶段只使用正常数据,不能保证异常数据的重建过程。因此,异常数据有时也可以很好地重建,重建误差很小,导致异常遗漏。这些算法没有充分利用时间序列数据中数据点的邻域信息。本文提出了一种基于异常重构为正态的RAN算法,并将其应用于无监督的时间序列异常检测。为了使正常数据的重建误差最小化,异常数据的重建误差最大化,我们不仅要保证正常数据的重建效果好,而且要尽量使异常数据的重建与正常数据的分布一致,这样异常数据的重建误差会更大。我们通过引入“模仿异常数据”并将专门设计的潜在向量约束自动编码器与编码器相结合来构建对手网络来实现这一想法。在ECG诊断等不同场景的时间序列数据集上进行的大量实验也表明,RAN可以检测到有意义的异常,并且在AUC-ROC方面优于其他算法。
2020-10-14 cs.LG stat.ML
Shapley Values of Reconstruction Errors of PCA for Explaining Anomaly Detection
Center for Advanced Intelligence Project RIKEN(理化学研究所先进智能项目中心)
提出了一种计算主成分分析(PCA)重构误差Shapley值的方法,该方法特别适用于解释基于PCA的异常检测结果。因为当应用基于PCA的异常检测时特征通常是相关的,所以在计算Shapley值的值函数时必须小心。我们利用PCA的概率观点,特别是它的条件分布,精确地计算Shapely值的值函数。我们还提出了数值的例子,这意味着Shapley值是有利的解释检测到的异常比每个功能的原始重建误差。
2020-02-22 cs.LG stat.ML
Feature Purified Transformer With Cross-level Feature Guiding Decoder For Multi-class OOD and Anomaly Deteciton
Silesian University of Technology(西里西亚工业大学);National Cheng Kung University(国立成功大学)
针对多类场景下重建网络泛化能力导致异常检测精度下降的问题,提出含特征纯化模块和跨层级特征引导解码器的FUTUREG框架,提升异常重建误差,在多类OOD及工业异常检测任务中取得优异性能。
2024-04-30 cs.AI cs.CV cs.LG
Reconstruction Error-based Anomaly Detection with Few Outlying Examples
University of Calabria(卡拉布里亚大学)
本研究提出一种利用少量异常样本增强重建误差对比度的方法,使自编码器能将已知异常排除在正常数据域之外,从而提升半监督异常检测性能。
2024-06-05 cs.LG
CAST: Context- and Anomaly Structure-Conditioned Time Series Anomaly Generation
针对异常时间序列稀缺且形态异质的问题,提出CAST框架,通过两阶段预训练与微调,利用正常数据学习动态并条件化异常结构,在多个真实数据集上优于现有方法。
2026-09-24 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
FedCIGAR: A Personalized Reconstruction Approach for Federated Graph-level Anomaly Detection
Guangxi University(广西大学);Griffith University(格里菲斯大学)
本文提出FedCIGAR,通过图重建和自适应门控机制提升联邦图级异常检测的泛化能力与鲁棒性。
2026-05-10 cs.LG
DACR: Distribution-Augmented Contrastive Reconstruction for Time-Series Anomaly Detection
Northwestern University(西北大学)
针对复杂动态场景下正常数据多分布、异常差异程度不一的问题,提出DACR框架,通过分布外数据生成、对比学习和注意力依赖建模提升重建鲁棒性,并在九个基准上取得最先进性能。
2024-01-20 cs.LG
Understanding Time Series Anomaly State Detection through One-Class Classification
Qing Yuan Research Institute, Shanghai Jiao Tong University(上海交通大学致远学院)
本文通过一类分类重新定义时间序列异常状态检测问题,构建人工数据集,修正并比较38种算法,为未来研究提供方向。
2024-02-03 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
Ymir: A Supervised Ensemble Framework for Multivariate Time Series Anomaly Detection
本文提出了一个多变量时间序列异常检测框架Ymir,它利用集成学习和监督学习技术有效地学习和适应真实世界系统应用中的异常。Ymir通过集成学习方法集成了目前广泛使用的几种无监督异常检测模型,从而可以在无监督场景下提供鲁棒的前端异常检测结果。在有监督的环境中,领域专家和系统用户讨论并提供训练数据的标签(异常或不异常),这反映了他们对特定系统的异常检测标准。Ymir使用上述无监督方法从原始多变量时间序列数据中提取丰富而有用的特征表示,然后将特征和标签与监督分类器相结合来进行异常检测。我们在来自大型监测系统的内部多变量时间序列数据集上评估了Ymir,并获得了良好的异常检测性能。
2021-12-09 cs.LG
Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction
Beijing Jiaotong University(北京交通大学)
由于当今IT监控系统的维度和复杂性的增加,在没有人工监督的情况下检测多变量时间序列的异常仍然是一个具有挑战性的问题。无监督时间序列异常检测的最新进展主要使用深度自编码器来解决这个问题,即在正常样本上进行训练,并在异常输入上产生显著的重建误差。然而,在实践中,由于神经网络的强大功能,自编码器可以很好地重建异常。此外,这些方法对于识别非点异常(例如,上下文异常和集体异常)可能是无效的,因为它们仅利用逐点重建目标。为了解决上述问题,我们提出了MemAAE(\textit{Memory-augmented Adversarial Autoencoders with Deep Reconstruction and Prediction}),一种新的无监督的时间序列异常检测方法。通过联合训练两个互补的代理任务,重建和预测,与共享的网络架构,我们表明,通过多个任务检测异常获得优越的性能,而不是单任务训练。此外,引入压缩记忆模块来保存正常模式,避免对异常输入的意外泛化。通过广泛的实验,MemAAE在四个公共数据集上的总体F1得分为0.90,显著优于最佳基线0.02。
2021-10-15 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
Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy
Tsinghua University(清华大学)
时间序列中异常点的无监督检测是一个具有挑战性的问题,它要求模型推导出一个可区分的准则。以前的方法主要通过学习逐点表示或成对关联来解决这个问题,然而,这两种方法都不足以解释复杂的动力学。近年来,Transformers在点表示和两两关联的统一建模方面表现出强大的能力,我们发现每个时间点的自注意权重分布能够体现与整个序列的丰富关联。我们的关键观察是,由于异常的罕见性,从异常点到整个序列的非平凡关联是非常困难的,因此,异常的关联应主要集中在其相邻的时间点。这种邻近集中偏差意味着一个基于关联的标准,固有地区分正常和异常点,我们强调通过\emph{Association Discrepancy}。在技术上,我们提出了一个新的\emph{Anomaly-Attention}机制来计算关联差异的\emph{Anomaly Transformer}。设计了一种极大极小策略来放大关联差异的正常-异常可分辨性。Anomaly Transformer在三个应用的六个无监督时间序列异常检测基准上取得了最先进的结果:服务监控,空间和地球探测以及水处理。
2022-06-29 cs.LG
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
An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series
最近提出了几种多变量时间序列异常检测技术,但缺乏对一组常见的数据集和度量的系统比较。本文对基于无监督和半监督深度学习的方法进行了系统和全面的评估,用于对来自网络物理系统的多变量时间序列数据进行异常检测和诊断。与以前的作品不同,我们通过10个模型和4个评分函数的网格来改变模型和模型误差的后处理,即评分函数彼此独立,将这些变体与最先进的方法进行比较。在时间序列异常检测中,检测异常事件比检测单个异常时间点更重要。通过实验,我们发现现有的评价指标要么没有考虑事件,要么不能区分好的检测器和平凡的检测器,如随机检测器或全正检测器。我们提出了一个新的度量,以克服这些缺点,即,复合F分数($Fc_1$),用于评估时间序列异常检测。我们的研究强调,动态评分函数的工作比静态的多变量时间序列异常检测,评分函数的选择往往比选择的基础模型更重要。我们还发现,一个简单的通道模型-单变量全连接自动编码器,具有动态高斯评分函数,是异常检测和诊断的获胜候选者,击败了最先进的算法。
2021-09-23 cs.AI cs.LG stat.ML
Disjoint or Overlapping? Inference Windowing for Reconstruction-Based Time Series Anomaly Detection
University of Montpellier, Inria, CNRS, LIRMM(蒙彼利埃大学、Inria、CNRS、LIRMM)
研究推理步长(重叠窗口)对基于重构的时间序列异常检测性能的影响,提出统一评估协议,实验表明重叠窗口平均提升28%且改变方法排名。
2026-06-02 cs.LG stat.ML
LEARN-TS: LLM-Enhanced Alignment and Reconstruction with Normality Guidance for Multivariate Time-Series Anomaly Detection
Korea University(高丽大学)
LEARN-TS利用冻结语言模型构建角色分离的语义表示,通过窗口特定观测语义和固定正态性提示指导掩码重构,实现无需外部文本的多元时间序列异常检测,在四个基准上取得领先性能。
2026-10-01 cs.LG