arXiv cs.AI· Dongchan Cho, Juwon Hwang, Keumyeong Kang, Jiho Han, Namsoon Jung·· 11 小时前AI 评分31
TENET：面向多变量时间序列异常检测的时间点编码网络
TENET: Time-point Encoding Network for Multivariate Time Series Anomaly Detection
AI 导读
研究者提出 TENET（Time-point Encoding Network），将单类多变量时间序列异常检测重构为当前点系统状态兼容性估计，通过以当前点为中心的嵌入与自适应上下文混合构建隐表示，并用固定的标准正态负对数似然打分。该工作在多个基准数据集上取得 SOTA，且换用其他单类目标仍有效，优于通用序列编码器替换方案，论文已被 NeurIPS 2026 接收。
正文 · AI 翻译
摘要：在无监督多变量时间序列异常检测（MTSAD）中，局部变化会放大重建和预测误差，使观测空间中的差异成为不可靠的异常系统行为指标。由于潜空间评分可以缓解这一局限，我们将单类 MTSAD 重新表述为当前点系统状态兼容性估计，并提出 TENET，即用于多变量时间序列异常检测的时间点编码网络。我们将当前点系统状态定义为目标时间点的潜表示，由输入窗口中的变量级时间上下文构建。TENET 通过一个时间层构建该状态，该时间层检索相对于当前点的窗口上下文，以当前点为中心的嵌入对时间进行编码，并将检索到的上下文与当前表示自适应混合。借助这一设计，TENET 不将输入窗口视为要重建、预测、概括或评分的目标，而是将其视为构建潜表示的上下文，并用固定的标准正态负对数似然评分进行评估。在基准数据集上，TENET 取得了最先进的性能。额外实验进一步表明，TENET 在替代的单类目标下仍然有效，并且优于基于通用序列编码器的替换方案，这表明其优势来自与决策对齐的表示构建，而非专门的评分规则。这些结果表明，当潜表示围绕当前时间点设计时，单类 MTSAD 可以表现强劲。
| 评论： | 已被 NeurIPS 2026 接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.32337 [cs.LG] |
| （或本版本的 arXiv:2610.32337v1 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2610.32337 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Dongchan Cho [查看邮箱]
[v1]
2026年10月23日星期五 08:30:30 UTC（345 KB）
来源：arXiv cs.AI · arxiv.org