ARTA：通过稀疏约束扰动实现对抗鲁棒的多变量时序异常检测
机器学习
2026-05-07 v2
摘要
时序异常检测（TSAD）是监测复杂系统的关键组成部分，然而基于深度学习的现代检测器往往对局部输入扰动和结构化噪声高度敏感。我们提出 ARTA（Adversarially Robust multivariate Time-series Anomaly detection via sparsity-constrained perturbations），一个通过原则性的极小极大优化目标提升检测器鲁棒性的联合训练框架。ARTA 包含一个异常检测器和一个稀疏约束掩码生成器，二者同时训练。生成器识别能够最大化检测器异常分数的最小、任务相关的时间扰动，而检测器则针对这些结构化扰动进行优化以保持稳定。生成的掩码刻画了检测器对对抗性时间扰动的敏感性，并可作为检测器决策的解释信号。这种对抗训练策略暴露了脆弱的决策路径，鼓励检测器依赖分布式且稳定的时间模式，而非虚假的局部伪影。我们在 TSB-AD 基准上进行了广泛实验，结果表明 ARTA 在多样化数据集上持续提升了异常检测性能，并在噪声水平增加时表现出显著更优雅的退化，优于最先进的基线方法。
引用
@article{arxiv.2603.25956,
title = {ARTA: Adversarial-Robust Multivariate Time--Series Anomaly Detection via Sparsity-Constrained Perturbations},
author = {Hadi Hojjati and Narges Armanfard},
journal= {arXiv preprint arXiv:2603.25956},
year = {2026}
}
备注
12 pages, 4 figures