GenIAS：用于生成时间序列异常的生成器
机器学习
2026-02-06 v2
摘要
合成异常注入是近期且有前景的时间序列异常检测（TSAD）方法，但现有方法依赖应用于原始时间序列上的 ad hoc、手工设计的策略，难以捕获尤其在多变量场景下呈现的多样化且复杂的异常模式。我们提出一种名为 Generator for Instantiating Anomalies in Time Series（GenIAS）的合成异常生成方法，通过变分自编码器（VAE）潜在空间中引入可学习的扰动，生成逼真且多样化的异常。这使得异常模式能够基于变分参数化，在不同的时间段以不同尺度上注入。为生成与正常模式一致且仍具辨识度的异常，我们引入一种学习策略，联合学习扰动尺度和紧凑潜在表示，通过可调的先验条件提升生成异常的辨识度，此理论分析已得到支持。广泛实验表明，GenIAS 产生的异常更具多样性和逼真性，且使用这些异常训练的检测模型在 9 个流行 TSAD 基准中超越了 17 个基线方法。
引用
@article{arxiv.2502.08262,
title = {GenIAS: Generator for Instantiating Anomalies in time Series},
author = {Zahra Zamanzadeh Darban and Qizhou Wang and Geoffrey I. Webb and Shirui Pan and Charu C. Aggarwal and Mahsa Salehi},
journal= {arXiv preprint arXiv:2502.08262},
year = {2026}
}