arXiv cs.AI· Kadir-Kaan \"Ozer, Ren\'e Ebeling, Markus Enzweiler·· 14 小时前AI 评分24
ExCal：无需优化的多变量时间序列异常检测方法
ExCal: Optimization-Free Multivariate Time Series Anomaly Detection via Excess Calibration
AI 导读
ExCal 是一种仅用正常样本训练的多变量时间序列异常检测器，结合原始状态检索、信号/导数子空间与跨时间尺度稳健统计，无需梯度优化或异常标签。在 TSB-AD-M 的 17 个家族共 180 条序列上，ExCal 取得 AUC-PR 0.421±0.37 与 VUS-PR 0.452±0.37，在 24 种方法中排名第二，与 AxonAD、StreamVAE 无显著差异。
正文 · AI 翻译
摘要：我们提出 ExCal，一种仅使用正常样本的多变量时间序列异常检测器，它结合了原始状态检索、信号/导数子空间以及跨时间尺度的稳健统计。每个专家映射从训练前缀获得较高的正常性下限。在评分时，保留正向超出量，对广泛触发的映射进行衰减，并与一个小秩项组合。该方法无需梯度优化或异常标签即可拟合参考记忆和投影。流行度和秩取决于完整的评分序列，使推理成为批量和转导式的，而非在线的。在来自 17 个 TSB-AD-M 家族的 180 个序列上，ExCal 在三个随机种子下获得 AUC-PR $0.421\pm0.37$ 和 VUS-PR $0.452\pm0.37$，在 24 种方法中排名第二。Holm 校正的配对检验在两个主要指标上均未检测到与 AxonAD 或 StreamVAE（TSB-AD-M 上领先的两种非预训练方法）有显著差异，同时发现与其他 21 个基线存在显著正向差异。在三个序列上进行的单独单次运行探测测得模型包装器时间中位数为 $0.0662$ 秒。消融实验将最大的主要指标变化与原始检索和超出量幅度保留相关联。所评估的分数可按专家分解，但其诊断效用和在线适用性仍未测试。
| 评论： | 已被 2026 年 IEEE 国际大数据会议（IEEE BigData 2026）智能数据挖掘专题会议接收。10 页，3 幅图，9 张表 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.35568 [cs.LG] |
| （或 arXiv:2610.35568v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.35568 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Kadir-Kaan Özer [查看电子邮件]
[v1]
2026 年 10 月 26 日星期一 15:06:39 UTC（121 KB）
来源：arXiv cs.AI · arxiv.org