时间序列异常检测新视角：基于对比补丁的快速广义学习系统

时间序列异常检测（TSAD）近年来在学术界和工业界均备受关注。深度学习方法因其卓越的性能而成为主流研究方向。然而，近期的TSAD研究中出现了新的观点：由于速度等限制因素，深度学习对TSAD并非必需。广义学习系统（BLS）作为一种浅层网络框架，因其优化便捷和快速速度优势，已被证明在保持与深度学习相当的性能同时，能优于传统机器学习方法。基于当前TSAD的研究现状，我们提出了对比补丁广义学习系统（CPatchBLS）。这一工作是对补丁技术与BLS的全新探索，为TSAD提供了新的视角。我们通过补丁化技术和简单核扰动（SKP）构建了Dual-PatchBLS作为基础模型，并利用对比学习捕捉不同表征下正常数据与异常数据之间的差异。为弥补多种补丁化导致的时序语义损失，我们提出具备模型级集成能力的CPatchBLS，充分利用BLS的快速特征构建模型级集成，提高模型检测性能。通过在五个真实世界的时间序列异常检测数据集上进行实验，我们确认了该方法的有效性，相较于以往的深度学习和机器学习方法，在保持高计算效率的同时，实现了更好的性能。