开放式多变量时间序列异常检测

Oct, 2023

Open-Set Multivariate Time-Series Anomaly Detection

Thomas Lai, Thi Kieu Khanh Ho, Narges Armanfard

TL;DR本研究提出了一种新方法，名为多变量开放式时间序列异常检测（MOSAD），旨在解决开放式时间序列异常检测问题，该问题在训练阶段可见一小部分有标签的异常样本，测试阶段需要检测到既有的异常类别又有未知的异常类别，并通过在特征提取、多头网络和异常评分模块等方面的创新实现在时间序列异常检测领域的全新的最佳性能。

Abstract

Numerous methods for time series anomaly detection (TSAD) methods have emerged in recent years. Most existing methods are unsupervised and assume the availability of normal training samples only, while few supervised me

time series anomaly detection unsupervised methods supervised methods open-set tsad problem multivariate open-set timeseries anomaly detection

发现论文，激发创造

多变量时间序列异常检测与污染数据：应用于生理信号

本研究介绍了一种无监督式的感知时间序列异常检测方法（TSAD-C），通过对带有异常的训练数据进行去噪、建立变量依赖模型和检测异常值等步骤，成功在三个广泛使用的生理数据集上超越现有方法，达到了领域中的最新技术水平。

Aug, 2023

端到端自调整自监督时间序列异常检测

通过自动化调整数据增强技术进行时间序列异常检测，以提高无监督模型的性能。

Apr, 2024

开放式有监督异常检测中的异常异质性学习

开放式监督异常检测（OSAD）是一个新兴的异常检测领域，旨在利用在训练期间观察到的少量异常类样本来检测未见的异常（即来自开放式异常类的样本），同时有效识别已观察到的异常。本文提出了一种使用有限异常样本学习异构异常分布的方法，命名为 Anomaly Heterogeneity Learning（AHL），以解决这个问题。AHL 能够模拟各种异构（已见和未见）异常分布，并利用它们学习一个统一的异构异常模型。此外，AHL 是一个通用框架，现有的 OSAD 模型可以插入和应用，以增强其异常建模能力。大量实验结果表明 AHL 能够显著增强不同最先进的 OSAD 模型在检测已见和未见的异常方面的性能，在多个数据集上达到新的最先进水平，并且能够有效地推广到新目标领域中的未见异常。

Oct, 2023

TimeSeriesBench：时间序列异常检测模型的工业级基准

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

时间序列异常检测中的 ' 异常 ' 揭秘：一种自监督的三域解决方案

利用三领域异常检测 (TriAD) 的自主学习方法，本文通过对 UCR 数据集的实验结果，相比于最先进的深度学习模型，实现了基于 PA% K F1 分数的三倍提升，并相比于最先进的不和谐发现算法，实现了 50% 准确率的提升。

Nov, 2023

MAD：自监督多元时间序列遮蔽异常检测任务

本文提出了一种名为 MAD 的新型自监督学习任务，用于多变量时间序列异常检测。该方法通过随机掩蔽输入数据一部分，使得模型在训练中通过学习预测掩蔽的数据能力，比传统的左到右预测任务取得更好的异常检测结果。

May, 2022

自监督的时空正常性学习用于时间序列异常检测

通过序列顺序预测的时间正常性学习（OTN）模块和基于距离预测的空间正常性学习（DSN）模块的综合，STEN 学习了隐藏在时间序列数据中的规律性的表达式空间 - 时间表示，相比其他方法在广泛的时间序列异常检测基准测试中取得了显著的性能优势。

Jun, 2024

弱监督异常检测：一项综述

本研究是第一部弱监督异常检测方法的全面调查，将其分为三个弱监督设置，以及四种数据模态，并针对每种设置提供了形式化定义、关键算法和潜在未来方向。我们在选择的设置上进行了实验，并发布了源代码，以及一些弱监督异常检测方法和数据的收集。

Feb, 2023

大型语言模型可提供准确且可解释的时间序列异常检测

LLMAD 是一种新的时间序列异常检测方法，采用大语言模型（LLMs）提供准确而可解释的结果，通过在上下文中的检测来检索正面和负面的相似时间序列片段，并采用 Anomaly Detection Chain-of-Thought（AnoCoT）方法模仿专家逻辑进行决策过程，为用户决策提供解释。

May, 2024

定位论文：无人监督时间序列异常检测的未来之路？

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