AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：时序异常检测×
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
5月29日
11:05
11:05arXiv cs.AI@Xiaona Zhou, Muntasir Wahed, Tianjiao Yu, Constantin Brif, Ismini Lourentzou
研究者发现现有视觉语言模型在时序异常检测任务上表现不佳，主要原因是公开数据集缺乏自然语言解释，难以微调模型。为此，他们构建了VisAnomBench基准，从公开时序数据中筛选并利用多个大模型生成高质量异常解释。基于此微调出参数高效的VisAnomReasoner模型，在VisAnomBench上精度和F1分别提升至少21.23和23.87个百分点，在TSB-AD-U基准上也展现出强泛化能力。这项工作让小型VLM在时序异常检测中变得可靠且可解释。
论文时序异常检测视觉语言模型VisAnomReasonerVisAnomBench参数高效微调
推荐理由：时序异常检测终于有了可解释的小模型方案，做工业监控或运维分析的团队可以直接用VisAnomReasoner替代大模型，精度更高、成本更低，建议点开看具体微调方法。
原文
5月25日
09:57
09:57arXiv cs.LG@Yunhua Pei, Zixing Song, Jin Zheng, John Cartlidge
多变量时间序列异常检测面临变量间动态依赖、频谱噪声特征纠缠以及缺乏标签等挑战。现有方法要么过度恢复异常，要么假设关系结构静止不变，在真实系统结构漂移时失效。ContrastAD 提出将结构演化本身作为学习信号，通过多视角编码器、频率感知注意力混合器和动态图对比学习器，构建基于幂律分布的稀疏图快照，对比最发散对与稳定锚点，实现软正则化。在五个基准数据集上，ContrastAD 均取得最高平均 F1 分数，并在 SWaT、SMD 和 PSM 上取得最高 AUC，验证了非平稳动态下严格不变性并非最优。
论文时序异常检测图对比学习无监督学习ContrastAD多变量时间序列
推荐理由：做时序异常检测的团队终于有了一个能应对真实系统结构漂移的无监督方案——ContrastAD 用动态图对比代替硬性不变性，在五个数据集上 F1 全部领先，做运维监控或工业异常检测的值得关注。
原文