面向零样本时间序列异常检测的基石模型：利用合成数据和相对上下文差异
机器学习
2026-05-29 v4 人工智能
摘要
时间序列异常检测（TSAD）是一个关键任务，但开发能够对未见数据进行零样本泛化的模型仍是一个主要挑战。现有的基石模型主要依赖重建目标，存在根本性的目标不匹配问题：它们难以识别细微异常，同时常常误解复杂的正常模式，导致高水平的误报和漏报率。为克服这些限制，我们引入了 \texttt{TimeRCD}，这是一个基于全新预训练范式：相对上下文差异（RCD）的 TSAD 基石模型。\texttt{TimeRCD} 不是学习重建输入，而是被明确训练用于通过检测相邻时间窗口之间的显著差异来识别异常。这种关系方法采用标准 Transformer 架构实现，使模型能够捕捉到重建方法常常忽略的上下文变化，指示异常发生。为支持此范式，我们开发了大规模、多样化的合成语料库，包含标记级异常标签，为有效预训练提供了丰富的监督信号。广泛实验表明，\texttt{TimeRCD} 在多样数据集上对现有通用和异常特定基石模型进行零样本 TSAD 方面显著优于现有方法。我们的结果验证了 RCD 范式的优越性，为构建面向时间序列异常检测的稳健且可泛化的基石模型开辟了一条新有效道路。
引用
@article{arxiv.2509.21190,
title = {Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy},
author = {Tian Lan and Hao Duong Le and Jinbo Li and Wenjun He and Meng Wang and Chenghao Liu and Chen Zhang},
journal= {arXiv preprint arXiv:2509.21190},
year = {2026}
}
备注
This manuscript is withdrawn, as the authors intend to further extend and develop the work beyond its current scope