TAB：时间序列异常检测方法的统一基准
机器学习
2025-07-16 v2
摘要
时间序列异常检测 (TSAD) 在金融、交通和医疗等多个领域发挥着重要作用。随着对现实世界的持续感知，更多的时间序列数据将可用，导致对 TSAD 的需求也日益增长。虽然已存在许多 TSAD 方法，但新的更好的方法仍然可望。然而，有效的进展取决于可靠评估新方法并将其与现有方法进行比较的手段。我们针对当前评估程序中与数据集和实验设置及协议相关的缺陷提出了解决方案。具体而言，我们提出了新的时间序列异常检测基准，称为 TAB。首先，TAB 包含 29 个公共多变量数据集和 1,635 个单变量时间序列，旨在促进对多样化数据集的更全面评估。其次，TAB 涵盖了各种 TSAD 方法，包括非学习、机器学习、深度学习、LLM 基于和时间序列预训练方法。第三，TAB 具备统一且自动化的评估管道，使 TSAD 方法的公平且易于评估成为可能。最后，我们利用 TAB 评估现有的 TSAD 方法并报告结果，从而为这些方法的性能提供更深入的见识。此外，所有数据集和代码均可在 https://github.com/decisionintelligence/TAB 上获取。
引用
@article{arxiv.2506.18046,
title = {TAB: Unified Benchmarking of Time Series Anomaly Detection Methods},
author = {Xiangfei Qiu and Zhe Li and Wanghui Qiu and Shiyan Hu and Lekui Zhou and Xingjian Wu and Zhengyu Li and Chenjuan Guo and Aoying Zhou and Zhenli Sheng and Jilin Hu and Christian S. Jensen and Bin Yang},
journal= {arXiv preprint arXiv:2506.18046},
year = {2025}
}
备注
Accepted by PVLDB2025