面向算子关注的时序异常检测评估指标
机器学习
2025-12-10 v2
摘要
随着时序异常检测（TAD）技术的广泛采用，众多研究运用深度学习检测器来分析 Internet 服务、工业系统和传感器等领域的时间序列数据。检测器的选择与优化严重依赖有效评估 TAD 性能的 availability。由于时间序列数据中的异常常表现为连续的若干数据点，仅考虑单点检测的常规指标已不足。现有 TAD 评估器通常采用基于点或事件的指标来捕捉时序背景。然而，基于点的评估器倾向于高估仅擅长检测长时异常的检测器，而基于事件的评估器则容易被碎片化检测结果所误导。为此，本文提出 OIPR（Operator Interest-based Precision and Recall metrics），一种具有面积指标的新型 TAD 评估器。它模拟了算子接收检测报警并处理异常的过程，利用算子关注曲线下面积来评估 TAD 性能。此外，我们构建了一个特殊场景数据集以比较不同评估器的特征。通过在该特殊场景数据集和五个真实数据集上的实验，表明 OIPR 在极端和复杂情景下表现突出。在点和事件视角之间取得平衡，克服了其主要局限性，具有更广泛的适用性。
引用
@article{arxiv.2503.01260,
title = {OIPR: Evaluation for Time-series Anomaly Detection Inspired by Operator Interest},
author = {Yuhan Jing and Jingyu Wang and Lei Zhang and Haifeng Sun and Bo He and Zirui Zhuang and Chengsen Wang and Qi Qi and Jianxin Liao},
journal= {arXiv preprint arXiv:2503.01260},
year = {2025}
}