SimAD：一种基于相似度的简单方法用于时间序列异常检测

尽管重构基型深度学习方法在时间序列异常检测中占主导地位，但这仍是一个巨大的挑战。现有方法常常面临时间上下文有限、对正常模式表示不足以及评估指标存在缺陷的问题，这些问题都阻碍了其在检测异常行为方面的有效性。为了解决这些问题，我们引入了一种基于简单性 dissimilarity 的方法，用于时间序列异常检测，称为 SimAD。具体而言，SimAD 首先集成了一个基于分块的特征提取器，能够处理扩展的时间窗口，并使用 EmbedPatch 编码器充分整合正常行为模式。其次，我们设计了一种创新的 ContrastFusion 模块于 SimAD 中，通过突出显示正常数据与异常数据之间的分布差异来增强异常检测的鲁棒性。第三，我们引入了两个稳健的增强评估指标，Unbiased Affiliation（UAff）和 Normalized Affiliation（NAff），旨在克服现有指标的局限性，通过提供更好的区分度和语义清晰度。这两个指标的可靠性已通过理论和实验分析予以证明。在七个多样化的时间序列数据集上进行的实验明确显示，SimAD 的性能优于最先进的方法，在 F1 指数上实现了 19.85% 的相对提升，在 Aff-F1 上实现了 4.44% 的相对提升，在 NAff-F1 上实现了 77.79% 的相对提升，在六个多变量数据集上实现了 9.69% 的 AUC 提升。代码和预训练模型均可在 https://github.com/EmorZz1G/SimAD 获取。