天使还是魔鬼：为无监督时间序列异常检测区分困难样本与异常污染

无监督时间序列异常检测的训练过程一直受到有害的“异常污染”和有益的“困难正常样本”之间区分的困扰。这两类样本表现出相似的损失行为，使得传统的基于损失的方法难以区分。为解决此问题，我们提出了一种新颖的方法，用“参数行为”补充传统的损失行为，从而能够更精细地刻画异常模式。参数行为通过测量输入样本微小扰动下的参数响应来形式化。利用参数行为和损失行为的互补性，我们进一步提出了一种双重的参数-损失数据增强方法（称为 PLDA），并在强化学习范式下实现。在异常检测的训练阶段，PLDA 通过一个迭代过程动态增强训练数据，该过程同时减轻异常污染并放大信息丰富的困难正常样本。PLDA 展现了卓越的通用性，可作为一个附加组件无缝集成到现有的异常检测器中，以提升其检测性能。在十个数据集上的大量实验表明，PLDA 将四种不同检测器的性能显著提高了多达 8%，优于三种最先进的数据增强方法。