异常检测论文解读|QuoVadisTAD:无监督时序异常检测未来的方向

文章标题：Position: Quo Vadis, Unsupervised Time Series Anomaly Detection?

文章地址：https://arxiv.org/abs/2405.02678

代码地址：https://github.com/ssarfraz/QuoVadisTAD

“Quo Vadis” 是拉丁语，直译为“你往何处去？”。

一、论文简介

批判性地分析了深度学习模型设计的不足，通过将复杂的深度学习模型线性化，证明即使简化后的模型也能保持相似的性能。呼吁TAD领域需要新的、更丰富的数据集，改进评价指标，对复杂模型保持谨慎态度，关注简单和可解释的方法。

主要贡献：

• 引入了简单有效的基线，并证明它们的性能与SOTA方法相当或更好，从而挑战了增加模型复杂性来解决TAD问题的效率和有效性。

• 通过将训练的SOTA模型简化为线性模型来加强这一立场，线性模型是它们的蒸馏，但仍然表现良好。

  因此，从当前数据集上的TAD任务的角度来看，这些模型大致上将异常与标准数据进行了线性分离。

二、论文方法

在过去提出的众多异常检测方法中，往往有一些一致的地方——它们往往为了追求新颖性而忽略了更简单的基线。为此，我们提出了一些简单的方法，这些方法的性能超过了目前发表的最好的异常检测方法。

2.1 提出的简单有效的基线

1. Sensor range deviation（传感器距离偏差）

如果某个测试数据点的传感器值落在观测范围之外，则可能表明存在异常

2. L2-norm: Magnitude of the observed time stamp(范数)

在多元时间序列数据的情况下，向量在特定时间戳的大小可以作为检测OOD样本的相关统计量。这可以很容易地通过取向量的l2范数来计算，因此$f(\hat{x}$