ASTER：用于无监督时序异常检测的潜在伪异常生成
机器学习
2026-05-05 v2 人工智能
计算机视觉与模式识别
摘要
时序异常检测 (TSAD) 在工业监控、医疗保健和网络安全等领域至关重要，但由于异常稀缺且异质性强，仍具挑战。稀缺标记数据使得无监督方法占主导地位，然而现有方法要么依赖重建或预测，难以处理复杂数据，要么依赖嵌入式方法，需要特定的异常合成和固定距离度量。我们提出了 ASTER 框架，直接在潜在空间生成伪异常，避免手工异常注入和专业知识需求。潜在空间解码器生成量身定制的伪异常以训练基于 Transformer 的异常分类器，而预训练的大语言模型 (LLM) 则丰富了该空间的时序和情境表示。在三个基准数据集上的实验表明，ASTER 实现了最新性能，并为 LLM-based TSAD 设定了新标准。
关键词
引用
@article{arxiv.2604.13924,
title = {ASTER: Latent Pseudo-Anomaly Generation for Unsupervised Time-Series Anomaly Detection},
author = {Romain Hermary and Samet Hicsonmez and Dan Pineau and Abd El Rahman Shabayek and Djamila Aouada},
journal= {arXiv preprint arXiv:2604.13924},
year = {2026}
}