TimeRadar：面向时间序列异常检测的可旋转领域基础模型
机器学习
2026-02-24 v1
摘要
当前时间序列基础模型（TSFMs）主要集中于学习预定义时间或频率域内的常见规律性模式，以实现监督式下游任务（如预测）。因此，他们常对本构性无监督下游任务——时间序列异常检测（TSAD）——效果不佳，后者旨在识别稀疏、非规则模式。这种局限性源于此类异常模式在同一时间/频率域下，可能与规律模式高度相似。为此，我们引入TimeRadar，这是一个构建在分数时间频率域的创新TSFM，支持跨不同未见数据集的通用TSAD。我们的关键洞见是：将时间序列旋转到数据依赖的分数时间频率表示中，可在不同数据集之间自适应地区分正常信号与异常信号。为此，我们提出了Fractionally modulated Time-Frequency Reconstruction（FTFRecon）组件，通过可学习的分数阶数旋转时间序列到连续时间域与频率域之间最显著的角度，以实现精准的数据重建。这为每个数据输入在最优时间频率域中的自适应数据重建提供了可能，从而在数据集之间（包括未见数据集）有效区分无界异常模式与规律模式。为使TimeRadar能够建模未被全局数据重建捕获的局部异常，我们进一步引入Contextual Deviation Learning（CDL）组件，以在可旋转域中对输入相对于其上下文时间序列数据的局部偏差进行建模。
引用
@article{arxiv.2602.19068,
title = {TimeRadar: A Domain-Rotatable Foundation Model for Time Series Anomaly Detection},
author = {Hui He and Hezhe Qiao and Yutong Chen and Kun Yi and Guansong Pang},
journal= {arXiv preprint arXiv:2602.19068},
year = {2026}
}