面向时间序列异常检测的选择性去噪扩散模型
机器学习
2026-03-02 v1
摘要
时间序列异常检测（TSAD）已是数十年来一个重要的研究领域，重建基方法尤其是基于生成模型的方法日益受到关注并取得了显著成功。近期，扩散模型因其先进的生成能力而受到瞩目。现有基于扩散的方法依赖条件策略，即借助条件器从白噪声重建输入实例，但这会导致对正常部分的精准重建不佳，从而影响检测性能。为此，我们提出了一种新颖的扩散方法——AnomalyFilter，其作为选择性滤波器，仅去除实例中异常部分，同时保留正常部分。为构建此滤波器，我们在训练阶段遮蔽高斯噪声，并在推理过程中对实例不添加噪声进行去噪。两种简单组件的协同作用大大提升了朴素扩散模型的性能。在五个数据集上的大量实验表明，AnomalyFilter 在正常部分实现了显著低的重建误差，为其在异常检测中的有效性提供了实证支持。AnomalyFilter 是一种面向 TSAD 专门设计的扩散模型噪声设计的先驱性方法。
关键词
引用
@article{arxiv.2602.23662,
title = {Selective Denoising Diffusion Model for Time Series Anomaly Detection},
author = {Kohei Obata and Zheng Chen and Yasuko Matsubara and Lingwei Zhu and Yasushi Sakurai},
journal= {arXiv preprint arXiv:2602.23662},
year = {2026}
}