标签比模型更重要：重新思考时间序列异常检测中的无监督范式
机器学习
2026-04-03 v2 人工智能
摘要
时间序列异常检测（TSAD）是数据挖掘中的关键任务，常因标签稀缺受限。因此，当前研究主要聚焦于无监督时间序列异常检测（UTAD），依赖日益复杂的架构来建模正常数据分布。然而，这种以算法为中心的趋势往往忽视了实际场景中有限异常标签所带来的显著性能提升。本文挑战了算法复杂度是TSAD最优路径的前提，旨在构建全面基准并进行严谨实证研究，以严格比较监督与无监督范式。为隔离标签价值，本文引入了\stand—a个刻意简约的监督基线。五个公开数据集上的大量实验表明：(1)标签比模型更重要：在有限标注预算下，简单监督模型显著优于复杂的SOTA无监督方法；(2)监督收益更高：最小化监督带来的性能提升远超架构创新的增量收益；(3)实用性:\stand~在预测一致性和异常定位方面优于无监督方法。这些发现主张转变TSAD研究范式，呼吁社区优先考虑数据中心的标签利用，而非纯粹的算法复杂度。代码与基准已公开于https://github.com/EmorZz1G/STAND。
引用
@article{arxiv.2511.16145,
title = {Labels Matter More Than Models: Rethinking the Unsupervised Paradigm in Time Series Anomaly Detection},
author = {Zhijie Zhong and Zhiwen Yu and Kaixiang Yang and Yongheng Liu and Jun Jiang and C. L. Philip Chen},
journal= {arXiv preprint arXiv:2511.16145},
year = {2026}
}
备注
20 pages, 15 figures, 8 tables. Under review