桥接分类与重构：合作式时间序列异常检测
机器学习
2026-05-29 v2 人工智能
摘要
时间序列异常检测（TSAD）长期以来是数据挖掘中的热门研究主题 due to its various applications。最近的研究质疑了流行深度学习方法在 TSAD 中的有效性，表明其在检测细微和持续性异常方面存在不足。异常暴露（Outlier Exposure, OE）和掩码自编码器（Masked Autoencoder, MAE）分别作为解决上述问题的两种有前景的范式（分类和重构）。然而，OE 基于的方法受限于泛化能力差的问题，而 MAE 基于的方法则受限于掩码错位问题。为此，本文提出一种新型框架 CoAD，将两种范式统一，以发挥其互补优势，同时缓解各自的弱点。在该框架中，分类模块生成由概率驱动的软掩码，用于重构模块，从而缓解分类模块的泛化问题。这种合作设计使 CoAD 能够有效检测现有方法常忽视的细微和复杂异常。此外，设计了分类模块以解决分类粒度不当和忽视频率信息的问题。大量在高质量基准数据集上的实验，采用严格的评估协议进行，表明 CoAD 在两大类最先进的深度学习方法和传统数据挖掘方法上均显著优于后者，凸显了深度学习在 TSAD 中的潜力。此外，CoAD 轻量且显著快于现有 SOTA 方法，展示了在大规模、实时应用中的实际价值。
引用
@article{arxiv.2605.26193,
title = {Bridging Classification and Reconstruction: Cooperative Time Series Anomaly Detection},
author = {Qideng Tang and Dai Chaofan and Wubin Ma and Yahui Wu and Haohao Zhou and Tao Zhang and Huan Li and Dalin Zhang},
journal= {arXiv preprint arXiv:2605.26193},
year = {2026}
}
备注
15 pages, submitted to KDD 2026