全面！深度学习时序异常检测！

时间序列异常检测是在量化交易、网络安全检测、自动驾驶以及工业设备维护等多个关键领域中极具价值的研究主题。

时间序列异常检测旨在识别时间序列数据中与预期模式、趋势或行为显著偏离的异常点或事件，是一项至关重要的分析技术。其广泛的应用背景充分体现了它在当前数据科学与机器学习研究中的热门地位。近年来，时间序列异常检测领域进展显著。例如，Transformer 结构在时间序列预测中的广泛应用，以及时间序列嵌入方法的不断进步，均为异常检测与相关分类任务带来了新的突破。

【要点】本文提出了mTSBench，是目前为止最大的多变量时间序列异常检测和模型选择的基准，揭示了当前模型在跨数据集性能上的不足，强调了模型选择的重要性。

【方法】研究团队构建了mTSBench基准，包含19个数据集中的344个标记时间序列，覆盖了12个不同的应用领域，并对24种异常检测方法进行了评估，包括基于大型语言模型（LLM）的检测器。

【实验】研究使用了mTSBench数据集对24种异常检测方法进行了系统评估，并在标准化条件下基准测试了无监督模型选择技术，实验结果证实了不同检测器在跨数据集性能上的差异，指出了现有最先进模型选择方法的不足。

【要点】本文提出了一种名为DAD的新型实时异常检测方法，用于多变量时间序列，基于在线去相关学习，能够在单次遍历中动态学习并监控数据的相关结构，实现高效且有效的检测。

【方法】DAD方法通过在线学习每个数据样本的相关结构，不需要存储历史实例，从而保证了最小化内存使用和快速决策。

【实验】在广泛使用的基准数据集上的大量实验表明，DAD在多种异常类型上均实现了最一致且优于现有方法的表现，特别适用于维度日益增长的高维数据流。

【要点】本文提出了一种新的半监督多变量时间序列异常检测方法MtsCID，通过捕获粗粒度内的自变量时间依赖性和变量间关系，提高了异常检测的准确性。

【方法】MtsCID采用双网络架构，一个网络处理多尺度内变量补丁的注意力图以学习粗粒度的时间依赖性，另一个网络处理变量以通过卷积和与正弦原型的交互捕获粗粒度的变量间关系。

【实验】在七个广泛使用的数据集上进行的广泛实验表明，MtsCID的性能比现有的最先进基准方法相当或更优。

【要点】本研究提出了 retrieval-augmented 时间序列基础模型（RATFM），该模型通过在测试时结合示例自适应，使预训练时间序列模型在不进行域依赖性微调的情况下，实现了与域内微调相当的性能，有效提高了异常检测能力。

【方法】研究采用预训练的时间序列基础模型，通过引入 retrieval-augmented 方法，让模型能够在测试时利用示例进行自适应，从而在不依赖域特定数据的情况下提高模型的泛化能力。

【实验】在 UCR Anomaly Archive 数据集上进行的实验验证了所提方法的有效性，该数据集涵盖了九个不同领域，实验结果表明 RATFM 在不同领域均取得了与域内微调相媲美的性能。

【要点】本研究提出了一种基于大型预训练基础模型的新颖时间序列异常检测方法——FAE（Foundation Auto-Encoders），通过预训练在大量时间序列数据上学习复杂时间模式，实现无需额外调整即可在未见数据集上进行零样本异常检测。

【方法】研究采用变分自编码器（VAEs）和扩张卷积神经网络（DCNNs）构建FAE模型，通过在大量时间序列数据上预训练来学习通用模型，以适应单变量时间序列的建模。

【实验】研究者在多个不同领域多维时间序列数据集上进行了初步实验验证，包括来自运营移动ISP的实际数据集和知名的KDD 2021异常检测数据集，并展示了实验结果。