探索多元时间序列异常检测的零样本基础模型

多元时间序列异常检测 (MTSAD) 对于工业过程监控和金融风险管理等领域的可靠性和安全性至关重要，但传统方法依赖于特定于应用程序的模型，而这些模型的训练成本高昂且难以扩展。基础模型 (FM) 在具有强大的零样本泛化能力的广泛数据上进行了预训练，最近可用于单变量时间序列预测，这引发了一个问题：它们是否可以在不进行特定任务训练的情况下解决 MTSAD 问题。我们研究了单变量预测 FM TimesFM 在安全水处理 (SWaT) 基准上对工业 MTSAD 的零样本应用，评估了两种策略：将 FM 视为具有阈值预测误差的按特征预测器，以及将其中间表示馈送到标准异常值检测器的嵌入器。我们提出的设置与既定基线相比都不具有竞争力；嵌入仅揭示正常片段和异常片段之间的部分分离，不足以进行可靠的检测。原因是 FM 在捕获时间动态方面过于有效，即使在完全异常的窗口内也能产生较低的误差，因此持续的异常与正常行为无法区分。然而，这些观察结果产生了有价值的见解：误差在异常边界处达到峰值，表明 FM 能够可靠地检测分布变化。我们的结论是，所提出的朴素零样本 FM 不适合 MTSAD，但有希望用于变化点检测。