发表机构
Beihang University; Beihang Hangzhou Innovation Institute; China University of Geosciences (Beijing)（北京航空航天大学; 北航杭州创新研究院; 中国地质大学（北京））
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
MORA通过从短期和长期视角重建局部目标来区分时间序列中的漂移与异常，无需漂移注释，在四个基准上实现了对非平稳性的鲁棒性和对真实异常的敏感性。
AI 中文摘要
时间序列异常检测（TSAD）识别与从历史数据中学习到的模式的偏差。在非平稳环境中，分布漂移和真实异常可能导致相似的局部变化，使得难以判断偏差是反映异常还是演变的上下文。现有方法通常适应检测到的漂移或学习漂移不敏感的表征，但并未解决这种模糊性。我们将此问题定义为“时间变化消歧”：确定局部偏差是否由更广泛的时间演化所解释。我们提出MORA，一个漂移鲁棒的TSAD框架，它从配对的短期和长期视角重建相同的局部目标。重建差距衡量局部偏差的上下文支持程度，而数据依赖的校正机制保守地调整主要局部异常分数。上下文仅在改善同一目标的重建时才能降低分数。MORA既不需要漂移注释，也不需要在线适应。在四个TSAD基准上的实验表明，它对非平稳性具有强大的鲁棒性，同时保持对真实异常的敏感性。
英文摘要
Time-series anomaly detection (TSAD) identifies deviations from patterns learned from historical data. In non-stationary settings, distribution drift and true anomalies can cause similar local changes, making it difficult to tell whether a deviation reflects abnormality or evolving context. Existing methods typically adapt to detected shifts or learn drift-insensitive representations, but do not resolve this ambiguity. We define this problem as \emph{temporal change disambiguation}: determining whether a local deviation is explained by broader temporal evolution. We introduce MORA, a drift-robust TSAD framework that reconstructs the same local target from paired short- and long-term views. The reconstruction gap measures contextual support for a local deviation, and a data-dependent correction mechanism conservatively adjusts the primary local anomaly score. Context can only reduce the score when it improves reconstruction of the same target. MORA needs neither drift annotations nor online adaptation. Experiments on four TSAD benchmarks show strong robustness to non-stationarity while preserving sensitivity to genuine anomalies.
