基于查询相关性图像的可变基数时间序列异常检测框架——SMKC
机器学习
2026-01-30 v1 人工智能
摘要
传统的多变量时间序列异常检测依赖于观测变量集合保持静态的假设。然而，在实际运营环境中，监控系统常常会出现传感器更换，导致信号出现、消失或重命名，从而创建变量基数变化、可能包含训练期未见值的数据窗口。为此，我们提出SMKC框架，通过解耦动态输入结构与异常检测器来应对该挑战。首先采用不变排列特征哈希将原始输入涂鸦（sketch）到固定大小的状态序列。随后构建混合核图像，通过序列及其导数之间的两两比较捕获全局时序结构。模型通过掩码重建和教师-学生预测目标学习正常模式。我们的评估揭示，鲁棒log距离通道提供了主要的判别信号，而余弦表示往往难以捕获足够的对比度。值得注意的是，使用基于SMKC表示的随机投影和最近邻检测器在无需梯度更新的情况下，能够与完全训练的基线方法相当。这凸显了表示本身的有效性，为资源受限的部署提供了实用的冷启动解决方案。
引用
@article{arxiv.2601.21050,
title = {SMKC: Sketch Based Kernel Correlation Images for Variable Cardinality Time Series Anomaly Detection},
author = {Haokun Zhou},
journal= {arXiv preprint arXiv:2601.21050},
year = {2026}
}