TSINR：通过隐式神经表示捕获时间连续性以进行时间序列异常检测
机器学习
2025-05-16 v3 人工智能
摘要
时间序列异常检测旨在识别数据中的异常模式或系统预期行为的偏差。基于重构的方法是该任务的主流，其通过无监督学习学习逐点表示。然而，训练数据中未标记的异常点可能导致这些基于重构的方法学习并重构异常数据，从而带来捕获正常模式的挑战。在本文中，我们提出了一种基于隐式神经表示（INR）重构的时间序列异常检测方法，命名为 TSINR，以应对这一挑战。由于谱偏置特性，TSINR 能够优先处理低频信号，并在高频异常数据上表现较差。具体而言，我们采用 INR 将时间序列数据参数化为连续函数，并采用基于 Transformer 的架构来预测给定数据的 INR。因此，所提出的 TSINR 方法具有捕获时间连续性的优势，从而对不连续的异常数据更加敏感。此外，我们进一步设计了一种新颖的 INR 连续函数形式来学习通道间和通道内信息，并利用预训练的大语言模型来放大异常中的剧烈波动。大量实验表明，与其他最先进的基于重构的方法相比，TSINR 在单变量和多变量时间序列异常检测基准上均取得了优异的整体性能。我们的代码已公开。
引用
@article{arxiv.2411.11641,
title = {TSINR: Capturing Temporal Continuity via Implicit Neural Representations for Time Series Anomaly Detection},
author = {Mengxuan Li and Ke Liu and Hongyang Chen and Jiajun Bu and Hongwei Wang and Haishuai Wang},
journal= {arXiv preprint arXiv:2411.11641},
year = {2025}
}
备注
Accepted by SIGKDD 2025