arXiv cs.AI· Seunghan Lee, Jun Seo, Jaehoon Lee, Junhyeok Kang, Sangjun Han, Sungdong Yoo, Minjae Kim, Tae Yoon Lim, Dongwan Kang, Hwanil Choi, Soonyoung Lee, Wonbin Ahn·· 3 天前AI 评分24
OneShot：面向时间序列异常检测的标签高效检测器加权方法
OneShot: Label-Efficient Detector Weighting for Time Series Anomaly Detection
AI 导读
针对时间序列异常检测缺乏通用检测器的问题，研究者提出 ONESHOT，用单个已确认异常为整个检测器池加权，而非从中挑选单一检测器。该方法在 152 个单变量和 73 个多变量序列上，性能超过最强单一检测器、全池平均，甚至超过在已确认事件上直接挑选最优检测器的做法。代码已开源。
正文 · AI 翻译
作者：Seunghan Lee、Jun Seo、Jaehoon Lee、Junhyeok Kang、Sangjun Han、Sungdong Yoo、Minjae Kim、Tae Yoon Lim、Dongwan Kang、Hwanil Choi、Soonyoung Lee、Wonbin Ahn
摘要：时间序列（TS）异常检测（AD）缺乏通用检测器，最佳选择由序列而非算法决定。因此，现有方法要么为每个序列选择一个检测器，要么对一组检测器取平均。然而，两者都假设永远不会收到标签，而部署的监控器确实会收到标签，因为操作员会确认其发出的警报。在本文中，我们提出 ONESHOT，它使用单个已确认异常来对检测器池进行加权，而不是从中选择一个检测器。具体来说，我们在已确认异常上对每个检测器评分，这些分数成为整个检测器池上软混合的权重。我们表明，单个已确认异常就足以接近该序列的最佳检测器。在 152 个单变量和 73 个多变量序列上，ONESHOT 优于最强的单个检测器、对整个检测器池取平均，甚至优于在已确认事件上挑选的最佳检测器。代码可在以下网址获取：this https URL。
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.16219 [cs.AI] |
| （或使用 arXiv:2610.16219v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.16219 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Seunghan Lee [查看电子邮件]
[v1]
2026年10月12日星期一 05:49:42 UTC（334 KB）
来源：arXiv cs.AI · arxiv.org