COMET：基于码本的在线自适应多尺度嵌入用于时间序列异常检测
机器学习
2026-02-04 v2
摘要
时间序列异常检测是跨越多个工业领域的关键任务。然而，在补丁级表示学习中捕捉时序依赖性和多变量关联性仍未得到充分探索，单尺度模式的依赖性限制了对不同时序范围内异常的检测。此外，仅关注正常数据表征会使模型在推理时对分布迁移极其脆弱。为此，我们提出了基于码本的在线自适应多尺度嵌入用于时间序列异常检测（COMET），其包含三个关键组件：(1) 多尺度补丁编码捕捉跨多个补丁尺度的时序依赖性和变量间关联性；(2) 向量量化核心核通过码本学习代表性正常模式，并通过结合量化误差和内存距离检测异常；(3) 在线码本自适应基于码本条目生成伪标签，并通过对比学习在推理时动态适应模型。在五个基准数据集上的实验表明，COMET在36个45个评估指标中实现了最佳性能，验证了其在多样化环境中的有效性。
引用
@article{arxiv.2602.01635,
title = {COMET: Codebook-based Online-adaptive Multi-scale Embedding for Time-series Anomaly Detection},
author = {Jinwoo Park and Hyeongwon Kang and Seung Hun Han and Pilsung Kang},
journal= {arXiv preprint arXiv:2602.01635},
year = {2026}
}