Temporal cross-validation impacts multivariate time series subsequence anomaly detection evaluation
时间交叉验证对多变量时间序列子序列异常检测评估的影响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：摘要明确研究多变量时间序列的时间依赖与交叉验证，直接对应时间序列方法。
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…
时间交叉验证对多变量时间序列子序列异常检测评估的影响
- 研究问题
- 评估多变量时间序列中的故障型子序列异常时，时间交叉验证策略及分区结构如何影响分类器的精确率与召回率表现？
- 方法与思路
- 作者比较前向推进与滑动窗口验证，在不同时间分区配置下评估浅层及深度分类器，并开展分类器层面的分层分析。
- 材料陈述的贡献
- 摘要报告，滑动窗口的中位 AUC-PR 较高、折间波动较小，深度模型尤其敏感；随机森林在验证方案间相对稳定。
- 阅读关注点
- 应核对窗口重叠、训练测试间隔、异常标签和分区数量，特别关注时间泄漏风险及不同方案的测试任务是否可比。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明数据集、调参流程和分数差异，较高分数不直接证明部署表现更好。
原文摘要
Evaluating anomaly detection in multivariate time series (MTS) requires careful consideration of temporal dependencies, particularly when detecting subsequence anomalies common in fault detection scenarios. While time series cross-validation (TSCV) techniques aim to preserve temporal ordering during model evaluation, their impact on classifier performance remains underexplored. This study systematically investigates the effect of TSCV strategy on the precision-recall characteristics of classifiers trained to detect fault-like anomalies in MTS datasets. We compare walk-forward (WF) and sliding window (SW) methods across a range of validation partition configurations and classifier types, including shallow learners and deep learning (DL) classifiers. Results show that SW consistently yields higher median AUC-PR scores and reduced fold-to-fold performance variance, particularly for deep architectures sensitive to localized temporal continuity. Furthermore, we find that classifier generalization is sensitive to the number and structure of temporal partitions, with overlapping windows preserving fault signatures more effectively at lower fold counts. A classifier-level stratified analysis reveals that certain algorithms, such as random forests (RF), maintain stable performance across validation schemes, whereas others exhibit marked sensitivity. This study demonstrates that TSCV design in benchmarking anomaly detection models on streaming time series and provide guidance for selecting evaluation strategies in temporally structured learning environments.