KAN-AD：基于Kolmogorov-Arnold网络的时间序列异常检测
机器学习
2026-05-29 v4
摘要
时间序列异常检测（TSAD）是云服务和Web系统中实时监控的基础，能够快速识别异常以防止代价高昂的故障。大多数由预测模型驱动的TSAD方法倾向于通过强调微小波动来过度拟合。我们的分析表明，有效的TSAD应侧重于通过平滑的局部模式对“正常”行为进行建模。为实现这一点，我们将时间序列建模重新表述为用平滑的单变量函数逼近序列。每个单变量函数的局部平滑性确保了拟合的时间序列对局部扰动保持弹性。然而，由于B样条函数固有的局部化特性，直接的KAN实现证明容易受到这些扰动的影响。因此，我们提出了KAN-AD，用截断傅里叶展开替换B样条，并引入了一种新颖的轻量级学习机制，该机制强调全局模式，同时对局部扰动保持鲁棒性。在四个流行的TSAD基准测试中，KAN-AD的检测精度比最先进的基线平均提高了15%（峰值超过27%）。值得注意的是，它只需要不到1000个可训练参数，推理速度比原始KAN快50%，这证明了该方法的效率和实际可行性。
引用
@article{arxiv.2411.00278,
title = {KAN-AD: Time Series Anomaly Detection with Kolmogorov-Arnold Networks},
author = {Quan Zhou and Changhua Pei and Fei Sun and Jing Han and Zhengwei Gao and Dan Pei and Haiming Zhang and Gaogang Xie and Jianhui Li},
journal= {arXiv preprint arXiv:2411.00278},
year = {2026}
}
备注
11 pages, ICML 2025