VUS：用于时间序列异常检测的高效且有效的准确率度量
机器学习
2025-02-20 v1
摘要
异常检测（AD）是时间序列分析中的一项基础任务，对许多应用的下游性能具有重要影响。与异常检测主要关注基于点的异常（即独立观测中的离群点）的其他领域不同，时间序列的异常检测还关注基于范围的异常（即跨越多个观测值的离群点）。尽管如此，通常使用传统的基于点的信息检索度量（如 Precision、Recall 和 F-score），通过对异常分数设定阈值将每个点标记为异常或非异常来评估方法的质量。然而，将离散标签映射到连续数据会引入不可避免的缺陷，使基于范围异常的评估复杂化。值得注意的是，评估度量的选择可能会显著偏倚实验结果。尽管受到关注已逾六十年，但从未有过针对时间序列异常检测评估度量的大规模系统定量和定性分析。本文对时间序列异常检测的质量度量进行了广泛评估，以评估它们在噪声、错位和不同异常基数比下的鲁棒性。我们的结果表明，产生独立于阈值的质量值的度量（即 AUC-ROC 和 AUC-PR）更适合时间序列异常检测。受此观察启发，我们首先扩展了基于 AUC 的度量以考虑基于范围的异常。然后，我们引入了一族新的无参数且独立于阈值的度量，即表面体积（VUS），用于在参数变化时评估方法。我们还引入了 VUS 的两种优化实现，显著减少了初始实现的执行时间。我们的发现表明，我们的四种度量在评估时间序列异常检测方法的质量时具有显著更强的鲁棒性。
引用
@article{arxiv.2502.13318,
title = {VUS: Effective and Efficient Accuracy Measures for Time-Series Anomaly Detection},
author = {Paul Boniol and Ashwin K. Krishna and Marine Bruel and Qinghua Liu and Mingyi Huang and Themis Palpanas and Ruey S. Tsay and Aaron Elmore and Michael J. Franklin and John Paparrizos},
journal= {arXiv preprint arXiv:2502.13318},
year = {2025}
}