IMPACT：面向开放集时间序列异常检测的影响建模

开放集异常检测（OSAD）旨在利用训练中来自已知异常类的有限标注数据，以识别测试中的已知和未知异常。当前方法依赖简单的数据增强技术生成伪异常，以复制未知异常。尽管在图像数据上效果不错，这些方法在时间序列数据上因未能保留其时序性质而无效，导致平凡或不真实的异常模式。当训练数据被带有未标注异常的数据污染时，问题更为严重。本文引入 $\textbf{IMPACT}$，即 $\underline{\textbf{i}}$nfluence $\underline{\textbf{m}}$odeling for o$\underline{\textbf{p}}$en-set time series $\underline{\textbf{a}}$nomaly dete$\underline{\textbf{ct}}$ion 的新型框架，以解决上述挑战。关键思想是 $\textbf{i)}$ 学习影响函数，准确估计个别训练样本对模型建模的影响，然后 $\textbf{ii)}$ 利用这些影响分数生成语义上多样且真实的未知异常，同时将高影响样本用作监督性异常以实现异常数据去污。大量实验表明，IMPACT 在各种 OSAD 设置和数据污染率下均显著优于现有 SOTA 方法，展现出卓越的检测精度。代码已公开于 https://github.com/mala-lab/IMPACT。