CANDI：面向分布迁移下的多变量时序异常检测的精选测试时适应
机器学习
2026-04-03 v1 人工智能
摘要
多变量时序异常检测（MTSAD）旨在识别多变量时序中偏离正常性的异常，此技术在实际应用中至关重要。然而，在实际部署中，分布迁移普遍存在并导致预训练异常检测器性能严重下降。测试时适应（TTA）通过仅使用无标签测试数据即时更新预训练模型，因而成为解决此挑战的有前景的方法。本研究提出 CANDI（Curated test-time adaptation for multivariate time-series ANomaly detection under DIstribution shift），一种新颖的 TTA 框架，通过选择性识别并适应潜在的误报，同时保留预训练知识。CANDI 引入基于异常得分和潜在相似性的误报矿选（False Positive Mining, FPM）策略，用于筛选适应样本，并集成可插拨的时空感知正常性适应（Spatiotemporally-Aware Normality Adaptation, SANA）模块，以实现结构化的模型更新。大量实验表明，CANDI 在分布迁移下显著提高了 MTSAD 的性能，在使用更少的适应样本的情况下，AUROC 可提升最高达 14%。
引用
@article{arxiv.2604.01845,
title = {CANDI: Curated Test-Time Adaptation for Multivariate Time-Series Anomaly Detection Under Distribution Shift},
author = {HyunGi Kim and Jisoo Mok and Hyungyu Lee and Juhyeon Shin and Sungroh Yoon},
journal= {arXiv preprint arXiv:2604.01845},
year = {2026}
}
备注
AAAI 2026