基于条件正规化流潜空间中归纳偏置的时间序列异常检测
人工智能
2026-03-13 v1 机器学习
摘要
深度生成模型用于多变量时间序列异常检测通常通过最大化数据似然度进行训练。然而，观测空间的似然度衡量的是边缘密度，而非符合结构化时序动力学，从而可能对异常或非分布样本赋予高概率。我们通过将异常概念迁移到指定潜空间来解决这一结构性限制。我们在条件正规化流中引入显式归纳偏置，构建离散时序状态空间框架，约束潜表示遵循规定的时序动力学。在此框架下，预期行为对应于符合潜轨迹分布规定的分布，而异常则定义为违反这些动力学。因此，异常检测简化为对观测映射至潜空间后，针对规定的潜演化进行统计检验的合规性测试。这一方法构建了一种即使在观测似然度高的区域也能有效工作的原则性决策规则。实验在合成数据和真实时间序列上表明，能够可靠检测频率、幅值和观测噪声方面的异常，同时提供模型合规性的可解释诊断。
引用
@article{arxiv.2603.11756,
title = {Anomaly detection in time-series via inductive biases in the latent space of conditional normalizing flows},
author = {David Baumgartner and Eliezer de Souza da Silva and Iñigo Urteaga},
journal= {arXiv preprint arXiv:2603.11756},
year = {2026}
}