CAPMix：基于异常假设的鲁棒时间序列异常检测方法
机器学习
2025-09-09 v1 人工智能
摘要
时间序列异常检测（TSAD）是一项关键且具挑战性的任务，尤其是在标注异常数据稀缺且时序依赖关系复杂的场景中。近期的异常假设（Anomaly Assumption, AA）方法通过注入合成样本并训练判别模型来缓解异常数据不足的问题。尽管已取得可喜的成果，但这些方法往往面临两个根本性限制：一种是生成呈块状（patchy generation），即分散的异常知识导致注入的异常过于简单或不连贯；另一种是异常位移（Anomaly Shift），即合成异常要么与正常数据过于接近，要么与真实异常不切实际地发生偏离，从而扭曲分类边界。本文提出了一种可控的异常数据增强框架CAPMix，以解决上述两个问题。首先，我们设计了CutAddPaste机制，以针对性方式注入多样且复杂的异常，避免生成呈块状的问题；其次，我们引入标签修订策略，以自适应方式细化异常标签，降低异常位移的风险。最后，我们在时序卷积网络中采用双空间混合（dual-space mixup）技术，以实现更光滑且更鲁棒的决策边界。在包括AIOps、UCR、SWaT、WADI和ESA等五个基准数据集上的大量实验表明，CAPMix相较于当前最先进的基线方法显著提升了性能，在抗受污染训练数据的鲁棒性方面也有所增强。代码已公开于https://github.com/alsike22/CAPMix。
引用
@article{arxiv.2509.06419,
title = {CAPMix: Robust Time Series Anomaly Detection Based on Abnormal Assumptions with Dual-Space Mixup},
author = {Xudong Mou and Rui Wang and Tiejun Wang and Renyu Yang and Shiru Chen and Jie Sun and Tianyu Wo and Xudong Liu},
journal= {arXiv preprint arXiv:2509.06419},
year = {2025}
}