捕捉每一个涟漪：基于动态概念自适应的增强异常感知

在线异常检测（OAD）在演化数据流的实时分析与决策中发挥着关键作用。然而，现有方法通常依赖代价高昂的重新训练与刚性的决策边界，限制了其在动态环境中有效且高效地适应概念漂移的能力。为应对这些挑战，我们提出了 DyMETER，一个用于 OAD 的动态概念自适应框架，在单一的在线范式内统一了即时参数平移与动态阈值设定。DyMETER 首先在历史数据上学习静态检测器以捕获反复出现的中心概念，随后在漂移发生时转换为动态模式以适应新概念。具体而言，DyMETER 采用了一种新颖的动态概念自适应机制，利用超网络为静态检测器生成实例感知的参数平移，从而无需重新训练或微调即可实现高效且有效的适应。为实现鲁棒且可解释的适应，DyMETER 引入了一个轻量级演化控制器来估计实例级概念不确定性，以进行自适应更新。此外，DyMETER 采用动态阈值优化模块，通过维护不确定样本的候选窗口来自适应地重新校准决策边界，从而确保与演化概念的持续对齐。大量实验表明，DyMETER 在广泛的应用场景中显著优于现有的 OAD 方法。