KDSelector：一种用于时间序列异常检测的知识增强与数据高效模型选择器学习框架
机器学习
2025-03-21 v2 人工智能
数据库
摘要
模型选择已被提出为时间序列异常检测(TSAD)领域的一个基本问题，因为对于真实应用中的高度异构时间序列，不存在单一的最佳TSAD模型。然而，尽管现有的模型选择解决方案——利用历史数据训练分类模型（尤其是神经网络NN）作为选择器来预测每个序列的正确TSAD模型——取得了成功，但现有解决方案中使用的基于NN的选择器学习方法并未充分利用历史数据中的知识，且需要遍历所有训练样本，这限制了选择器的准确性和训练速度。为解决这些局限性，我们提出了KDSelector，一种用于学习基于NN的TSAD模型选择器的新型知识增强与数据高效框架，其三个关键组件专门设计用于将可用知识集成到选择器中，并在学习过程中动态剪枝次要和冗余样本。我们开发了一个以KDSelector为核心组件的TSAD模型选择系统，以展示用户如何通过将KDSelector作为即插即用模块来提升选择器的准确性和训练速度。我们的演示视频托管在https://youtu.be/2uqupDWvTF0。
引用
@article{arxiv.2503.12478,
title = {KDSelector: A Knowledge-Enhanced and Data-Efficient Model Selector Learning Framework for Time Series Anomaly Detection},
author = {Zhiyu Liang and Dongrui Cai and Chenyuan Zhang and Zheng Liang and Chen Liang and Bo Zheng and Shi Qiu and Jin Wang and Hongzhi Wang},
journal= {arXiv preprint arXiv:2503.12478},
year = {2025}
}
备注
This paper has been accepted by SIGMOD 2025