面向时间序列基石模型异常检测的适应策略比较研究
机器学习
2026-01-05 v1
摘要
时间序列异常检测对于复杂系统的可靠运行至关重要，但大多数现有方法需要大量的任务特定训练。我们探讨了时间序列基石模型 (TSFMs) 是否可作为异常检测的通用 backbone，即这些模型是在大规模异构数据上预训练的。通过多个基准的系统实验，我们比较了零样本推断、完全模型适应和参数高效微调 (PEFT) 策略。我们的结果表明，TSFMs 在 AUC-PR 和 VUS-PR 上均显著优于任务特定的基线，尤其在严重类别不平衡的情况下效果更为突出。此外，诸如 LoRA、OFT 和 HRA 等 PEFT 方法不仅降低了计算成本，而且在大多数情况下都能匹配或超越完全微调，表明即使是为预测任务预训练的 TSFMs 也能高效地适应异常检测。这些发现将 TSFMs 定位为可预测的通用模型，用于可扩展且高效的时间序列异常检测。
引用
@article{arxiv.2601.00446,
title = {A Comparative Study of Adaptation Strategies for Time Series Foundation Models in Anomaly Detection},
author = {Miseon Park and Kijung Yoon},
journal= {arXiv preprint arXiv:2601.00446},
year = {2026}
}