Benchmarking Unsupervised Strategies for Anomaly Detection in Multivariate Time Series
多元时间序列异常检测的无监督策略基准比较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：研究对象明确为多元时间序列的异常检测；摘要未提出金融专用方法或宏观预测任务。
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…
多元时间序列异常检测的无监督策略基准比较
- 研究问题
- 如何在异常类型未知、各维度相互依赖的多元时间序列中进行无监督异常检测，并合理比较模型与评价指标？
- 方法与思路
- 作者考察 iTransformer 及其他 Transformer 模型，分析窗口等参数、异常分数转标签的方法，以及训练异常与损失函数的影响。
- 材料陈述的贡献
- 摘要列出模型应用、标签与指标分析、训练污染研究和跨数据集比较四方面工作，但未报告具体性能数值或最佳模型。
- 阅读关注点
- 核对数据划分、异常标签生成和评价指标，检查超参数选择、训练污染设置及各基准模型是否采用可比的调参预算。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供数据集细节、性能数值或不确定性，不能据此认定模型更优。
原文摘要
Anomaly detection in multivariate time series is an important problem across various fields such as healthcare, financial services, manufacturing or physics detector monitoring. Accurately identifying when unexpected errors or faults occur is essential, yet challenging, due to the unknown nature of anomalies and the complex interdependencies between time series dimensions. In this paper, we investigate transformer-based approaches for time series anomaly detection, focusing on the recently proposed iTransformer architecture. Our contributions are fourfold: (i) we explore the application of the iTransformer to time series anomaly detection, and analyse the influence of key parameters such as window size, step size, and model dimensions on performance; (ii) we examine methods for extracting anomaly labels from multidimensional anomaly scores and discuss appropriate evaluation metrics for such labels; (iii) we study the impact of anomalous data present during training and assess the effectiveness of alternative loss functions in mitigating their influence; and (iv) we present a comprehensive comparison of several transformer-based models across a diverse set of datasets for time series anomaly detection.