Forecast2Anomaly (F2A)：使多变量时间序列基础模型适应异常预测
机器学习
2025-11-06 v1 人工智能
摘要
预测来自不同现实世界、动态和复杂系统的多变量时间序列中的异常（异常预测）对于预防关键故障至关重要，从而大幅降低运营成本和人力。然而，现有方法局限于特定系统，无法泛化到随时间演变的异常模式。相比之下，预训练的时间序列基础模型（TSFM）最近展示了强大的泛化和零样本预测能力。然而，它们在异常预测方面的潜力尚未被挖掘，而异常预测本质上不同于预测正常行为。因此，我们提出了Forecast2Anomaly（F2A），这是一个新颖的框架，通过两个关键创新赋予TSFM异常预测能力。首先，我们提出了一种联合预测-异常损失，该损失微调TSFM以准确预测未来信号，即使在异常时间点也是如此。其次，我们引入了一个检索增强生成（RAG）模块，该模块检索历史上相关的区间并基于它们进行条件预测。该组件在推理时动态适应分布偏移，使F2A能够跟踪演变的异常，而无需更新模型。通过将目标微调与动态检索相结合，F2A弥合了鲁棒的TSFM零样本预测与零样本异常预测之间的差距。在16个不同数据集和多个TSFM骨干网络上进行的大量实验表明，F2A始终优于最先进的方法，为现实应用提供了一种可扩展的零样本异常预测解决方案。
引用
@article{arxiv.2511.03149,
title = {Forecast2Anomaly (F2A): Adapting Multivariate Time Series Foundation Models for Anomaly Prediction},
author = {Atif Hassan and Tarun Kumar and Ashish Mishra and Sergey Serebryakov and Satish Kumar Mopur and Phanidhar Koganti and Murthy Chelankuri and Ramanagopal Vogety and Suparna Bhattacharya and Martin Foltin},
journal= {arXiv preprint arXiv:2511.03149},
year = {2025}
}