发表机构
EDF R&D; Inria, ENS, CNRS, PSL（法国电力集团研发部; 法国国家信息与自动化研究所、巴黎高等师范学院、法国国家科学研究中心、巴黎文理研究大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本研究比较了流式方法与在线TSAD模型在真实核电站数据上的异常检测性能，发现在线TSAD一致性更高，集成策略鲁棒性强。
AI 中文摘要
EDF依赖对其发电厂的持续监控，以便在异常发生时立即检测到。鉴于在无监督设置中缺乏普遍最优的流式方法，我们将流式方法与部署在真实核电站数据集上的最先进TSAD模型进行在线比较。这项工作还评估了流式上下文中的自动异常检测。结果显示，在线TSAD具有更高的一致性，而集成策略表现出强大的鲁棒性。
英文摘要
EDF relies on continuous monitoring of its power plants to detect anomalies as soon as they occur. Given the absence of a universally optimal streaming method in unsupervised settings, we compare streaming methods with state-of-the-art TSAD models deployed online on a real nuclear power plant dataset. This work also evaluates Automated Anomaly Detection in a streaming context. Results show higher consistency for online TSAD and strong robustness from ensembling strategies.
Journal refEuropean Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML-PKDD), Naples, Italy, September 2026
