TShape：抢救复杂形状异常的机器学习模型
软件工程
2025-10-02 v1
摘要
时间序列异常检测 (TSAD) 对维持现代 IT 基础设施的可靠性至关重要，复杂异常在高度动态环境中经常出现。本文提出 TShape，一个新框架用于解决工业级时间序列异常检测中的挑战。现有方法常常难以检测表现为复杂形状偏差的 shapelet 异常，这类异常对人类专家而言显而易见，但对机器学习算法而言则具有挑战性。TShape 引入基于 patch 的双注意力机制结合多尺度卷积，以平衡局部细粒度形状特征与全局上下文依赖性，来建模复杂子序列变动。我们在五个多样化基准数据集上进行广泛评估，表明 TShape 在异常检测任务中超越现有 SOTA 模型，平均 F1 分数提升 10%。此外，ablation 研究和注意力可视化确认了每个组件的关键贡献，凸显了 TShape 在处理时间序列数据中复杂 shapelet 形状的鲁棒性和适应性。
引用
@article{arxiv.2510.00680,
title = {TShape: Rescuing Machine Learning Models from Complex Shapelet Anomalies},
author = {Hang Cui and Jingjing Li and Haotian Si and Quan Zhou and Changhua Pei and Gaogang Xie and Dan Pei},
journal= {arXiv preprint arXiv:2510.00680},
year = {2025}
}