通过增强多类伪异常实现鲁棒且可解释的时间序列异常检测器
机器学习
2025-05-28 v1
摘要
无监督时间序列异常检测几十年来一直是一个关键的研究领域。当前的主流方法侧重于学习正常模式，其假设是训练集中的所有或大多数样本都是正常的。然而，训练集中的异常（即异常污染）可能具有误导性。最近的研究采用数据增强来生成伪异常，并学习将训练样本与增强样本分开的边界。尽管如果增强样本能模拟未见过的真实异常，这种方法可以减轻异常污染，但它存在几个局限：（1）覆盖广泛的时间序列异常具有挑战性。（2）它忽略了与正常样本相似的增强样本（即假异常）。（3）它过于信任训练样本和增强样本的标签。为此，我们提出了 RedLamp，它采用多样化的数据增强来生成多类伪异常，并学习多类边界。这种多类伪异常覆盖了多种多样的时间序列异常。我们使用软标签进行多类分类，这防止了模型过度自信，并确保了其对污染/假异常的鲁棒性。学习到的潜在空间本质上是可解释的，因为它被训练用于将伪异常分离到多个类别中。大量实验证明了 RedLamp 在异常检测中的有效性及其对异常污染的鲁棒性。
引用
@article{arxiv.2505.20765,
title = {Robust and Explainable Detector of Time Series Anomaly via Augmenting Multiclass Pseudo-Anomalies},
author = {Kohei Obata and Yasuko Matsubara and Yasushi Sakurai},
journal= {arXiv preprint arXiv:2505.20765},
year = {2025}
}
备注
Accepted by KDD 2025