基于跨尺度关联与跨窗口建模的时间序列异常检测 CrossAD
机器学习
2025-10-15 v1 机器学习
摘要
时间序列异常检测在广泛的实际应用中发挥着关键作用。鉴于时间序列数据可以在不同的采样粒度上呈现不同模式，多尺度建模对发现可能在单一尺度上难以察觉的潜在异常模式具有益处。然而，现有方法常在独立建模多尺度信息或依赖简单特征融合策略，忽略异常期间跨尺度关联的动态变化。此外，大多数方法基于固定滑动窗口进行多尺度建模，这限制了其捕获综合上下文信息的能力。本文提出了 CrossAD，一种考虑 Cross-scale associations and Cross-window modeling 的 novel 框架用于时间序列异常检测。我们提出了跨尺度重建，从较粗糙的序列重建细粒度序列，显式地捕获跨尺度关联。此外，我们设计了查询库并纳入全局多尺度上下文，以克服固定窗口大小的限制。在多个真实数据集上使用九个评估指标进行的广泛实验验证了 CrossAD 的有效性，表明其在异常检测中实现了 state-of-the-art 性能。
引用
@article{arxiv.2510.12489,
title = {CrossAD: Time Series Anomaly Detection with Cross-scale Associations and Cross-window Modeling},
author = {Beibu Li and Qichao Shentu and Yang Shu and Hui Zhang and Ming Li and Ning Jin and Bin Yang and Chenjuan Guo},
journal= {arXiv preprint arXiv:2510.12489},
year = {2025}
}
备注
Accepted by the thirty-ninth annual conference on Neural Information Processing Systems