基于衰减函数的时间序列异常检测评估策略
利用参数高效联合异常检测（PeFAD）框架，通过利用预训练语言模型（PLM）作为客户端本地模型的主体，减少通信开销和本地模型适应成本，同时采用一种新颖的异常驱动蒙版选择策略以缓解训练过程中忽略异常值的影响。在共享的隐私保护数据集上还提出了知识蒸馏操作，以解决客户端间的数据异质性问题，实验证明 PeFAD 优于现有最先进基准方法最多达 28.74%。
Jun, 2024
扩散模型在多元时间序列异常检测中显示出潜力，通过比较基线模型和使用 ROCK-AUC 指标扩展的 PA% K 协议，在合成数据集上表现优于其他模型，在真实世界数据集上表现竞争力。
Nov, 2023
评估时间序列数据中的异常检测算法是至关重要的，因为不准确的检测可能导致各种实时分析和数据驱动策略中的错误决策。我们引入了 Proximity-Aware Time series anomaly Evaluation (PATE)，这是一种新颖的评估指标，它考虑了预测和异常区间之间的时间关系，并使用基于接近度的加权方法来计算精确率和召回率曲线下面积的加权版本。我们的实验表明，PATE 在提供比其他评估指标更合理和准确的评估方面具有优势，我们还使用 PATE 评估方案在各种基准数据集上对几种最先进的异常检测器进行了测试，结果表明，像点调整 F1 分数这样的常见指标无法很好地表征检测性能，而 PATE 能够提供更公平的模型比较。通过引入 PATE，我们重新定义了模型效能的理解，从而引导未来的研究朝着开发更有效和准确的检测模型的方向发展。
May, 2024
本文提出了一种基于时间 - 频率分析的时序异常检测模型，TFAD，能够利用时间和频率域中的信息来提高性能，并在设计的时频架构中加入了时序分解和数据增强机制，以进一步提高性能和可解释性。经实证研究表明，该方法在单变量和多变量时序异常检测任务中取得了最先进的性能表现。
Oct, 2022
TimeSeriesBench 是一个工业级基准测试平台，通过多个训练和测试范式、评估指标和数据集的结合共计 168 个评估设置，评估了现有算法的性能，并提供了异常检测算法的未来设计建议。
Feb, 2024
TADNet 是一种端到端的传统时间序列异常检测模型，利用季节 - 趋势分解将各种类型的异常链接到特定的分解组件，从而简化复杂时间序列的分析，并提高检测性能。
Sep, 2023
当前时间序列异常检测（TAD）研究中存在评估指标缺陷、不一致的基准测试实践以及对新颖深度学习模型设计选择的缺乏合理的论证。本文对 TAD 中的现状进行了批判性分析，揭示了当前研究的误导轨迹，并突出了存在问题的方法及评估实践。我们的观点主张从仅追求模型设计的新颖性转向改进基准测试实践、构建非平凡数据集，并重新强调研究模型架构在特定任务中的实用性。我们的发现表明需要严格的评估协议、创建简单的基线，并揭示现有最先进的深度异常检测模型实际上只是学习线性映射。这些发现表明需要更多探索和开发简单且可解释的 TAD 方法。遗憾的是，现有最先进的深度学习模型的复杂性增加带来的改进很少。我们提供对该领域前进的见解和建议。
May, 2024
本文提出一种新型的异常检测方法，称为 “异常的先驱”（PoA）检测，通过神经控制微分方程的神经网络以及多任务学习算法，在金融、制造和网络安全等领域的时间序列数据中取得了比传统方法更优秀的结果。
Jun, 2023
多元时间序列异常检测的关键词为多元时间序列异常检测、协议、基准数据集、主成分分析和深度学习。本文总结了最近算法评估中存在的问题，并提出了一种基于主成分分析的基准算法，在一些常见的基准数据集上超越了许多基于深度学习的方法，以此促进更多关于数据、实验设计、评估方法和结果可解释性等重要方面的研究努力。
Aug, 2023