arXiv cs.AI· Alberto D. Cencillo, Leonardo Concepci\'on, Isaac Triguero, Juli\'an Luengo·· 11 小时前AI 评分29
VACE：用几何结构化表示做时间序列异常检测
VACE: Learning Geometrically Structured Representations for Time Series Anomaly Detection
AI 导读
VACE（Velocity-Aligned Channel Embeddings）是一种自监督多变量时间序列异常检测方法，通过速度一致性目标训练通道感知编码器，将正常样本表示为嵌入空间中局部平滑、方向一致的轨迹，无需负样本和合成异常。
正文 · AI 翻译
摘要：多变量时间序列中的异常检测是众多现实应用中的一项关键任务，在这些场景中异常行为罕见、标签不可用，且漏检代价高昂。核心挑战在于学习一种足够精确的正常性刻画，以标记出偏离。表征自监督学习通常通过对比方法来实现，它将时间片段嵌入到一个潜在空间中，使正常性占据一个定义明确的区域，并通过几何偏差来检测异常。然而，对比方法通过成对采样启发式间接塑造这一空间，无法对基于距离评分所依赖的几何结构提供显式控制。因此该几何结构只能听凭偶然。我们提出 VACE（速度对齐通道嵌入），一种自监督异常检测方法，将正常性表示为嵌入空间中局部平滑、方向连贯的轨迹。为此，VACE 通过速度一致性目标训练一个通道感知编码器，不使用负样本，也不使用合成异常，从而使正常轨迹局部平滑且对齐。在测试时，将马氏位置得分与针对正常方向库计算的方向得分相乘组合，方向得分充当门控，在局部动态非典型处放大位置得分。尽管方法简单，VACE 在严格评估下于 TSB-AD-M 上取得了最先进的性能，显著优于在更大预算下训练的更复杂方法。
| 评论： | 16 页，5 幅图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.23504 [cs.LG] |
| （或 arXiv:2605.23504v2 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2605.23504 由 DataCite 颁发 arXiv DOI |
提交历史
来自：Alberto D. Cencillo [查看邮箱]
[v1]
2026 年 5 月 22 日星期五 11:07:09 UTC（643 KB）
[v2]
2026 年 11 月 5 日星期四 17:13:43 UTC（671 KB）
来源：arXiv cs.AI · arxiv.org