学习正常状态的统一表示用于时间序列异常检测
机器学习
2026-05-12 v1 人工智能
摘要
无监督异常检测的核心挑战是在没有异常特征先验知识的情况下识别异常模式。现有方法虽然解决了该问题的某些方面，但往往难以学习到与异常模式截然不同的、稳健的正常数据分布表示。在本文中，我们提出了一个新颖的框架——统一无监督异常检测（），全面解决多变量时间序列中的异常检测问题。我们的方法通过利用基于分数的生成建模来学习正常样本的底层数据分布。我们引入了一个新颖的时间依赖分数网络和一个统一的训练目标，二者共同在考虑局部和全局时间上下文的同时描绘正常数据的流形。随后通过使用常微分方程求解器的确定性采样过程进行重构。我们广泛的实验评估表明， 不仅在检测精度上优于当前最先进的方法，而且能在异常发生的极早阶段就将其识别出来。
引用
@article{arxiv.2605.09685,
title = {Learning Unified Representations of Normalcy for Time Series Anomaly Detection},
author = {Prithul Sarker and Sushmita Sarker and Nicholas G. Murray and Alireza Tavakkoli},
journal= {arXiv preprint arXiv:2605.09685},
year = {2026}
}