CCE：用于时间序列异常检测的置信度-一致性评估
机器学习
2025-09-03 v1 人工智能
机器学习
摘要
时间序列异常检测指标是模型评估的关键工具。然而，现有指标存在若干局限性：判别能力不足、对超参数依赖性强、对扰动敏感以及计算开销高。本文引入了置信度-一致性评估（CCE），一种同时度量预测置信度和不确定性一致性的新颖评估指标。通过采用贝叶斯估计量化异常分数的不确定性，我们为模型预测构建了全局和事件级别的置信度与一致性分数，从而得到简洁的 CCE 指标。在理论和实验上，我们证明了 CCE 具有严格的有界性、针对分数扰动的 Lipschitz 鲁棒性以及线性时间复杂度 。此外，我们建立了 RankEval，一个用于比较各种指标排序能力的基准。RankEval 是首个标准化且可复现的评估流程，能够实现对评估指标的客观比较。CCE 和 RankEval 的实现均已完全开源。
引用
@article{arxiv.2509.01098,
title = {CCE: Confidence-Consistency Evaluation for Time Series Anomaly Detection},
author = {Zhijie Zhong and Zhiwen Yu and Yiu-ming Cheung and Kaixiang Yang},
journal= {arXiv preprint arXiv:2509.01098},
year = {2025}
}
备注
17 pages, 10 figures, 6 tables