开集多元时间序列异常检测

近年来出现了大量时间序列异常检测（TSAD）方法，其中大多数属于无监督方法，并假设训练阶段仅可获得正常样本，这是由于现实场景中异常数据难以获取。尽管如此，往往仍可获得有限的异常数据样本，尽管它们远不能代表所有可能的异常。监督方法可用于区分正常样本与已见异常，但容易对训练期间出现的已见异常过拟合，因而无法泛化至未见过异常。我们提出了首个解决开集 TSAD 问题的算法，称为多元开集时间序列异常检测器（MOSAD），其在训练阶段仅利用少量标注异常样本，即可相比监督与无监督 TSAD 算法取得更优的异常检测性能。MOSAD 是一种新颖的多头 TSAD 框架，具有共享表示空间与专用头，包括生成头、判别头与异常感知对比头。后者相比常规监督对比学习产生了更优的异常检测表示空间。在三个真实世界数据集上的大量实验确立了 MOSAD 作为 TSAD 领域新的 SOTA。