时间序列异常检测评估指标的问题导向分类框架
人工智能
2026-05-15 v2 机器学习
机器学习
摘要
时间序列异常检测广泛应用于物联网和 cyber-physical 系统中，但其评估仍面临评估目标多样和指标假设异构的挑战。本研究引入一种问题导向框架，通过重新诠释基于特定评估挑战而非其数学形式或输出结构所针对的现有指标来重新理解现有指标。我们将超过二十个常用指标归类为六个维度：1）基于基本准确性的评估；2）时机感知的奖励机制；3）对标注不精确的容忍度；4）反映人工审核成本的惩罚机制；5）对随机或夸大得分的鲁棒性；6）无参数化的跨数据集比较。我们对指标在真实、随机和 oracle 检测情景下的行为进行了全面实验。通过比较其结果得分分布，我们量化了每个指标的判别能力——即其区分有意义检测与随机噪声的能力。结果表明，尽管大多数事件级指标都具有较强的可分离性，但几项常用指标（如 NAB、Point-Adjust）对随机得分膨胀的抵抗力有限。这些发现表明，指标的适用性必须本质上是任务相关的，并且要与物联网应用的运营目标相匹配。本文提出的框架为理解现有指标提供了统一的分析视角，并为选择或开发更具情境感知性、更稳健且更公平的评估方法提供了实用指导。
引用
@article{arxiv.2511.18739,
title = {A Problem-Oriented Taxonomy of Evaluation Metrics for Time Series Anomaly Detection},
author = {Kaixiang Yang and Jiarong Liu and Yupeng Song and Shuanghua Yang and Yujue Zhou},
journal= {arXiv preprint arXiv:2511.18739},
year = {2026}
}