用于信号监测的时间序列基础模型的自适应共形异常检测

我们提出了一种用于监控时间序列的事后自适应共形异常检测方法，该方法利用预先训练的基础模型的预测，而不需要额外的 微调。我们的方法产生可解释的异常分数，可直接解释为误报率（p 值），从而促进透明且可操作的决策。它采用加权分位数共形预测边界，并从过去的预测中自适应学习最佳加权参数，从而实现分布变化下的校准和稳定的误报控制，同时保留样本外保证。作为与模型无关的解决方案，它与基础模型无缝集成，并支持在资源有限的环境中快速部署。这种方法解决了关键的工业挑战，例如有限的数据可用性、缺乏训练专业知识以及需要立即推理，同时利用时间序列基础模型日益增长的可访问性。对合成数据集和真实数据集的实验表明，所提出的方法具有强大的性能，结合了简单性、可解释性、鲁棒性和适应性。