Towards a Rigorous Evaluation of Time-series Anomaly Detection
迈向严格的时间序列异常检测评价AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接讨论时间序列异常检测及其评价协议，属于时间序列方法；异常不自动等同于结构变化。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
迈向严格的时间序列异常检测评价
- 研究问题
- 时间序列异常检测中的点调整评分规则是否夸大模型表现，现有方法的高分有多少来自评价规则而非实际检测能力？
- 方法与思路
- 作者通过理论与实验检验点调整的影响，比较随机异常分数及未训练模型的表现，并提出新的基准与评价协议。
- 材料陈述的贡献
- 摘要称点调整可能使随机分数取得极高表现，且禁用点调整后未训练模型仍可比肩已有方法，据此提出评价改进。
- 阅读关注点
- 应核对点调整的具体操作、事件标签与评分单位，以及随机和未训练基准的阈值选择及新评价协议解决的问题。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未列数据集、数值或新协议细节，不能据此否定所有异常检测方法。
原文摘要
In recent years, proposed studies on time-series anomaly detection (TAD) report high F1 scores on benchmark TAD datasets, giving the impression of clear improvements in TAD. However, most studies apply a peculiar evaluation protocol called point adjustment (PA) before scoring. In this paper, we theoretically and experimentally reveal that the PA protocol has a great possibility of overestimating the detection performance; that is, even a random anomaly score can easily turn into a state-of-the-art TAD method. Therefore, the comparison of TAD methods after applying the PA protocol can lead to misguided rankings. Furthermore, we question the potential of existing TAD methods by showing that an untrained model obtains comparable detection performance to the existing methods even when PA is forbidden. Based on our findings, we propose a new baseline and an evaluation protocol. We expect that our study will help a rigorous evaluation of TAD and lead to further improvement in future researches.