利用时间序列基础模型的中间表示进行异常检测
机器学习
2025-09-17 v1 人工智能
摘要
检测时间序列数据中的异常对于许多现实世界系统的可靠运行至关重要。最近，时间序列基础模型（TSFMs）已成为异常检测的强大工具。然而，现有方法通常依赖TSFMs最后一层的表示，通过特定任务头将异常分数计算为重构或预测误差。我们提出了一种新颖的异常检测方法TimeRep，该方法利用TSFMs中间层的表示，并将异常分数计算为这些表示之间的距离。给定一个预训练的TSFM，TimeRep选择能产生最具信息量表示的中间层和补丁令牌位置。TimeRep从训练数据中构建一个中间表示参考集合，并应用核心集策略在保持分布覆盖的同时减小其规模。在推理过程中，TimeRep通过测量输入数据的中间表示与集合中表示之间的距离来计算其异常分数。为解决概念漂移问题，TimeRep集成了一种自适应机制，在推理时仅用来自输入数据的非冗余中间表示来扩充集合。我们在包含250个单变量时间序列的UCR Anomaly Archive上进行了大量实验。TimeRep始终优于广泛的当前最优基线，包括非深度学习、深度学习以及基于基础模型的方法。
引用
@article{arxiv.2509.12650,
title = {Leveraging Intermediate Representations of Time Series Foundation Models for Anomaly Detection},
author = {Chan Sik Han and Keon Myung Lee},
journal= {arXiv preprint arXiv:2509.12650},
year = {2025}
}
备注
10 pages,8 figures