COGNOS：基于约束性高斯噪声优化与平滑的通用时间序列异常检测增强框架
机器学习
2026-05-12 v3 人工智能
摘要
基于重构的方法在时间序列异常检测 (TSAD) 中占据主导地位，但其对均方误差 (MSE) 损失的近乎普遍依赖导致重构残差存在统计学缺陷。这种根本性弱点导致异常得分噪声、不可靠，阻碍可靠检测。为此，我们提出约束性高斯噪声优化与平滑 (COGNOS)，一个通用、模型无关的增强框架，旨在从根本上解决此问题。COGNOS 引入一种新颖的高斯-白噪声正则化策略，用于训练期间，直接约束模型输出残差符合高斯白噪声分布。这种工程化的统计特性为我们的第二项贡献创造了理想的前提：自适应残差卡尔曼平滑器作为统计鲁棒估计器，对原始异常得分进行去噪。大量实验在多个基准数据集上表明，COGNOS 在多个主流方法上均显著提升性能，验证了将统计正则化与自适应滤波相结合的有效性。
引用
@article{arxiv.2511.06894,
title = {COGNOS: Universal Enhancement for Time Series Anomaly Detection via Constrained Gaussian-Noise Optimization and Smoothing},
author = {Wenlong Shang and Shihao Tian and Xutong Wan and Peng Chang},
journal= {arXiv preprint arXiv:2511.06894},
year = {2026}
}