TransNAS-TSAD：利用 Transformer 进行时间序列异常检测中的多目标神经架构搜索

各行业实时数据收集的激增凸显了在单变量与多变量时间序列数据中进行高级异常检测的需求。本文提出 TransNAS-TSAD，一个将 transformer 架构与神经架构搜索（NAS）协同并结合 NSGA-II 算法优化的框架。该方法有效应对时间序列数据的复杂性，在计算效率与检测精度之间取得平衡。我们的评估表明，TransNAS-TSAD 凭借其量身定制的架构适应性和对复杂搜索空间的高效探索，超越了传统异常检测模型，在多样数据场景中取得显著改进。我们还引入了效率-精度-复杂度得分（EACS）作为评估模型性能的新指标，强调精度与计算资源之间的平衡。TransNAS-TSAD 为时间序列异常检测树立了新基准，为复杂的现实应用提供了通用、高效的解决方案。本研究凸显了 TransNAS-TSAD 在广泛行业应用中的潜力，并为该领域未来发展铺平了道路。