STAR：通过面向状态的适配器提升时间序列基础模型的异常检测能力
机器学习
2025-10-21 v1
摘要
虽然时间序列基础模型（TSFMs）在多变量时间序列异常检测（MTSAD）中取得了显著的成功，但在实际工业场景中，许多时间序列不仅包含温度、流量等数值变量，还包含描述系统状态的众多离散状态变量，如阀门开/关或星期几。现有的TSFMs常常忽视了状态变量的离散本质及其作为条件的关键作用，通常将其与数值变量统一处理。这一不恰当的建模方法会阻碍模型充分利用状态信息，甚至导致在状态变量被集成后检测性能显著下降。为此，本文提出一种 novel 的 STate-aware AdapteR（STAR）。STAR 是一个即插即用的模块，旨在增强TSFMs在微调阶段建模和利用状态变量的能力。具体而言，STAR包含三个核心组件：（1）我们设计了受 Identity 引导的 State Encoder，通过可学习的 State Memory 有效捕获状态变量的复杂离散语义。（2）我们提出了 Conditional Bottleneck Adapter，动态生成基于当前状态的低秩适配参数，从而灵活地将状态变量的影响注入主干模型。（3）我们还引入了 Numeral-State Matching 模块，以更有效地检测状态变量本身固有的异常。在真实数据集上进行的大量实验表明，STAR能够显著提升现有TSFMs在MTSAD任务上的性能。
引用
@article{arxiv.2510.16014,
title = {STAR: Boosting Time Series Foundation Models for Anomaly Detection through State-aware Adapter},
author = {Hanyin Cheng and Ruitong Zhang and Yuning Lu and Peng Chen and Meng Wang and Yang Shu and Bin Yang and Chenjuan Guo},
journal= {arXiv preprint arXiv:2510.16014},
year = {2025}
}