Time - Series Anomaly Detection: Overview and New Trends 解读

来源：VLDB 2024 tutorial track

1. 时序异常研究领域的发展趋势：持续上升

2. 时间序列的基础定义：

① 有序性；② 随时间演进（evolution with time）；③ 由一或多种正常模式耦合；

3. 时序异常的 “细致分类” 已在 综述：Definitions and Benchmarks-优快云博客 内讨论过；

4. 需区分：包含单个异常的时序，及包含多个异常（相似或不同）的时序，一些基于最近邻距离的方法可能会受该区别的影响；

5. 时序异常检测方法的基本分类：

① 依据 “输入的不同” 分类（ Liu 的分类* ）：

无监督：只输入含异常的时序数据，在严格意义上无其他任何有关 “正常 / 异常” 的监督信号；

半监督：在正常的时序数据上训练，在另外的、含异常的时序数据上测试；

有监督：训练时，提前具备了时序数据的正常及异常标签；

PS：此处定义见仁见智，和部分 TSAD 工作所给出的定义不一致！

② 依据 “方法不同” 分类：

6. 有关 “评测指标“：已在 VUS —— 新的 “时序异常” 评估指标_时序异常检测评价指标-优快云博客 中讨论过；（个人倾向于：VUS系列指标 > 原始F1系列指标 > AF - F1系列指标）

7. 目前现有的 TSAD 数据集不可避免地存在 bias 及 mislabel 现象，急需更高质量的数据集；

8.  新的趋势及机会：

当 detectors 被应用于及其异构（源自不同域）的时序时，不存在总体最佳的异常检测方法  →

如何自动识别：针对不同时序数据集的、最准确的异常检测器？

AutoTSAD（自动的时序异常检测 历史工作回顾）：

Ⅰ Model Selection：从预定义的候选模型集内，识别 TSAD 的最佳模型及其相应超参数：

① internal evaluation methods：使用 “代理指标” 评估模型有效性，独立于外部数据；（如：模型一致性）

② meta - learning - based methods：利用各种异常检测器在历史标记数据集上的性能知识，为新数据集实现自动的模型选择；

Ⅱ Model Generation：基于候选模型集构建全新模型，新生成的模型独立进行 TSAD；

① ensembling-based methods：模型集成学习；

② pseudo - label - based methods：构造伪标签，将无监督问题转化为有监督问题处理；

其他挑战：领域泛化问题；在线环境及资源限制的固有挑战；推进开发增量自动化解决方案；交互式的 TSAD 探索 ......