强线性基线再度登场：闭形式线性模型作为时间序列异常检测的高斯过程条件密度估计器
机器学习
2026-02-03 v1
摘要
时间序列异常检测（TSAD）研究主要聚焦于开发越来越复杂、难以训练且推理成本高的神经网络架构。我们重新审视了这一范式，表明简单的线性自回归异常评分（以普通最小二乘回归提供的闭式解）在准确率上一致匹配或超过了领先的深度检测器。从理论角度看，我们表明线性模型捕获了广泛的异常类型，估计有限历史的高斯过程条件密度。从实践角度看，在大量的单变量和多变量基准测试中，所提出的方法在准确率上取得优势，同时所需计算资源低出数量级。因此，未来的研究应始终包括强大的线性基线，更重要的是，开发新的基准测试以更丰富的时序结构揭示深度学习模型的优势。
引用
@article{arxiv.2602.00672,
title = {Strong Linear Baselines Strike Back: Closed-Form Linear Models as Gaussian Process Conditional Density Estimators for TSAD},
author = {Aleksandr Yugay and Hang Cui and Changhua Pei and Alexey Zaytsev},
journal= {arXiv preprint arXiv:2602.00672},
year = {2026}
}