BoundAD：面向时间序列异常检测的边界感知负样本生成
机器学习
2026-03-20 v1 机器学习
摘要
对比学习方法用于时间序列异常检测（TSAD）严重依赖负样本构建的质量。然而，现有基于随机扰动或伪异常注入的策略往往难以同时保持时序语义一致性并提供有效的决策边界监督。大多数现有方法依赖显式的异常注入，却忽视了从正常样本本身直接在数据流形边界处生成硬负样本的潜力。为此，我们提出一种基于重建的边界负样本生成框架，通过重建过程自动构建硬负样本。具体而言，该方法首先采用重建网络捕获正常时序模式，然后引入强化学习策略根据当前重建状态自适应调整优化更新幅度。如此一来，即可沿着重建轨迹诱导接近正常数据流形的边界偏移样本，并用于后续的对比表示学习。与依赖显式异常注入的现有方法不同，本文框架无需预定义异常模式，而是从模型自身的学习动力学中挖掘更具挑战性的边界负样本。实验结果表明，所提方法有效提升了异常表征学习，实现了当前数据集上的竞争性检测性能。
引用
@article{arxiv.2603.18111,
title = {BoundAD: Boundary-Aware Negative Generation for Time Series Anomaly Detection},
author = {Xiancheng Wang and Lin Wang and Zhibo Zhang and Rui Wang and Minghang Zhao},
journal= {arXiv preprint arXiv:2603.18111},
year = {2026}
}