LEFT: 面向无监督时间序列异常检测的三视图令牌可学习融合
机器学习
2026-02-10 v1 人工智能
摘要
作为一项基础的数据挖掘任务，无监督时间序列异常检测(TSAD)旨在构建模型以识别异常时间戳，而不假设存在标注。无监督 TSAD 的一个关键挑战在于，许多异常过于细微，无法在任何单一视图(例如时域)中表现出可检测的偏差，而是表现为跨多个视图(如时间、频率和混合分辨率)的不一致性。然而，大多数跨视图方法依赖于特征或分数融合，并未强制分析-合成一致性，这意味着频率分支不需要通过逆变换重建时间信号，反之亦然。本文提出了三视图令牌可学习融合(LEFT)，一个统一的无监督 TSAD 框架，将异常建模为互补表示之间的不一致性。LEFT 从同一输入时间序列的三个视图中学习特征令牌：嵌入周期性信息的频域令牌、捕捉局部动态的时域令牌，以及学习不同时间序列粒度下异常模式的多尺度令牌。通过学习一组自适应的奈奎斯特约束谱滤波器，原始时间序列被重新缩放为多个分辨率然后编码，使得这些多尺度令牌能够补充提取的频域和时域信息。在生成融合表示时，我们引入了一个新的目标，即从更粗糙的多尺度结构重建细粒度目标，并提出了一个创新的时频循环一致性约束，以显式正则化跨视图一致性。在真实世界基准上的实验表明，LEFT 在检测精度上优于 SOTA 基线，同时实现了 5 倍的 FLOPs 减少和 8 倍的训练加速。
引用
@article{arxiv.2602.08638,
title = {LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection},
author = {Dezheng Wang and Tong Chen and Guansong Pang and Congyan Chen and Shihua Li and Hongzhi Yin},
journal= {arXiv preprint arXiv:2602.08638},
year = {2026}
}