论文
安陆：通过反事实监督在基础模型中实现上下文时间序列异常检测
Anlu: Enabling In-Context Time Series Anomaly Detection in Foundation Models via Counterfactual Supervision
摘要
时间序列模式是否异常通常取决于受监控过程的运行状况。丢失的事件可能在一种机制中发出故障信号，而在另一种机制中可能是例行公事，并且单独的查询可能无法揭示适用哪种机制。我们通过参考条件检测来研究时间序列异常检测 (TSAD) 的上下文学习 (ICL)，其中参考记录提供有关预期行为的证据，并且模型参数保持固定于推理。提供参考是不够的：当仅通过查询即可识别训练异常时，检测器可以在忽略参考的同时拟合其目标。因此，我们引入了反事实监督，它将一个查询与两个支持不同正常规则的引用配对，并在每个查询下标记该查询。在两个标签不一致的位置，忽略参考的检测器无法适合两个目标。 Anlu 通过将参考记忆和零初始化门控适配器添加到预先训练用于异常检测的冻结时间序列基础模型 (TSFM) 来从这种监督中学习。在 350 个 TSB-AD-U 评估序列上，Anlu 将冻结 TSFM 的平均 VUS-PR 从 0.542 提高到 0.607。将参考值替换为零会将 Anlu 的分数降低至 0.499。