arXiv cs.AI· Christos Panourgias, Roberto Stanzione, Adrien Petralia, Themis Palpanas, Paul Boniol·· 2 天前AI 评分22
RAMSAD：基于相似度检索的时间序列异常检测模型选择框架
Retrieval Over Training: Similarity search-based Model Selection for Time Series Anomaly Detection
AI 导读
研究者提出 RAMSAD，一种基于检索的模型选择框架，用于时间序列异常检测：给定新序列，它从历史实例知识库中检索 top-k 最相似序列，并迁移其性能画像中的检测器推荐。该方法在分布内（ID）设置下优于现有基线，在分布外（OOD）场景中最为稳健，仅选取少量检测器即可匹敌或超越运行全部检测器的集成方案，成本仅为后者一小部分。
正文 · AI 翻译
摘要：异常检测是时间序列分析的一项基础任务，对许多应用的下游性能具有重要影响。尽管文献中提出了大量异常检测方法，但近期的基准研究表明，没有任何单一检测器能在高度异构的时间序列上表现最佳。因此，一种实用且可扩展的解决方案是开发一种模型选择方法，针对给定的时间序列，选择最有可能表现良好的异常检测器。然而，文献中提出的模型选择方法在分布外（OOD）设置下应用时，准确率会显著下降。在本文中，我们针对上述局限性，提出了 RAMSAD，一种用于时间序列异常检测中模型选择的基于检索的框架。给定一个新的时间序列，我们的方法查询先前观察到的实例知识库，检索出 top-k 个最相似的序列，并从它们的性能档案中迁移检测器推荐。该框架既可使用标准相似度度量，也可使用基于嵌入的表示。我们的结果表明，RAMSAD 在分布内（ID）设置下优于现有基线，并且是 OOD 中最稳健的选择器，在选择少量检测器子集时，它能以极小的成本匹配或超越运行整个检测器池的集成方法。总体而言，我们证明了基于相似度的检索为时间序列异常检测中的模型选择构成了一个强大而高效的基础。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.20243 [cs.LG] |
| （或使用 arXiv:2610.20243v2 [cs.LG] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.20243 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Christos Panourgias [查看电子邮件]
[v1]
2026年10月14日星期三 14:18:55 UTC（1,358 KB）
[v2]
2026年10月15日星期四 11:07:21 UTC（1,356 KB）
来源：arXiv cs.AI · arxiv.org