不重叠还是重叠？基于重构的时间序列异常检测中的推理窗口

arXiv cs.LG 论文
time-series anomaly-detection reconstruction windowing inference benchmark

摘要

本文研究了推理步长（不重叠窗口与重叠窗口）对基于重构的时间序列异常检测的影响，发现重叠窗口在多个模型架构上持续提升性能，在TSB-AD和UCR基准测试中最高提升达28%。

arXiv:2606.09874v1 公告类型：新 摘要：基于重构的方法广泛用于时间序列异常检测，模型训练用于重构子序列，并通过重构误差识别异常。然而，由于评估实践不统一和推理过程未明确说明，报告的结果往往难以比较。本文重新审视了单变量离线设置下的基于重构的异常检测，并研究了推理步长的作用，该步长控制子序列是作为不重叠窗口处理还是重叠处理。我们提出了一个统一的训练、调优和多随机种子评估协议，用于经过整理的TSB-AD基准测试，并研究了重叠推理如何影响一系列重构模型的异常检测性能，包括基于PCA的基线、DLinear、自编码器、TimesNet和Transformer变体。结果表明，在所有模型中，重叠窗口都带来了一致的改进，平均相对提升高达+28%，并且可以改变方法排名。我们进一步分析了不同数据集、随机种子和超参数配置下的变异性。最后，我们使用与滑动窗口重构对齐的定位标准，在完整的UCR存档上进行了补充基准评估。总体而言，我们的结果强调，基于重构的异常检测性能不仅取决于模型架构和训练，还取决于推理选择，这促使我们需要一个清晰且可重复的协议。我们的结果表明，基于重构的基线在TSB-AD和UCR基准测试中都表现出色，支持其作为单变量时间序列异常检测的竞争性和实用方法。
查看原文
查看缓存全文

缓存时间: 2026/06/10 06:14 

# 不相交还是重叠？面向基于重构的时间序列异常检测的推理窗口化
来源：https://arxiv.org/abs/2606.09874
查看PDF (https://arxiv.org/pdf/2606.09874)

> 摘要：基于重构的方法被广泛应用于时间序列异常检测中，模型通过训练来重构子序列，并通过重构误差识别异常。然而，由于评估实践各异且推理过程说明不足，已报道的结果往往难以比较。本文重新审视了单变量离线场景下的基于重构的异常检测，并研究了推理步长（inference stride）的作用——该参数控制子序列是作为不相交窗口处理还是带有重叠。我们在精心整理的TSB-AD基准上提出了统一的训练、调参和多随机种子评估协议，并研究了重叠推理如何影响一系列重构模型的异常检测性能，这些模型包括基于PCA的基线、DLinear、AutoEncoder、TimesNet以及Transformer变体。结果表明，在所有模型中，重叠窗口均带来一致的性能提升，平均相对增益高达+28%，并且可能改变方法的排名。我们还进一步分析了不同数据集、随机种子和超参数配置下的变异性。最后，我们通过使用与滑动窗口重构对齐的定位标准，在对完整UCR档案的评估中补充了基准研究。总体而言，我们的结果强调，基于重构的异常检测性能不仅取决于模型架构和训练，也取决于推理选择，这促使我们需要一个清晰且可复现的协议。我们的结果表明，基于重构的基线在TSB-AD和UCR基准上均展现出强大性能，支持其作为单变量时间序列异常检测中具有竞争力和实用性的方法。

## 提交历史

来自：Guillaume Coulaud [查看邮箱](https://arxiv.org/show-email/beb68c6a/2606.09874) [经由CCSD代理] **[v1]** 2026年6月2日星期二 19:42:30 UTC (441 KB)

相似文章

桥接分类与重建：协同时间序列异常检测

arXiv cs.LG

本文提出CoAD，一种新颖的框架，统一了异常暴露（分类）和掩码自编码器（重建）两种范式用于时间序列异常检测，解决了它们各自的局限性。大量实验表明，CoAD在轻量快速的同时，显著优于现有最先进方法。

TPA-AD：一种用于轴承时间序列异常检测的两阶段伪异常引导方法

arXiv cs.LG

TPA-AD 是一种用于轴承时间序列异常检测的两阶段伪异常引导方法，利用重建模型和对比学习在正常边界附近生成伪异常窗口，再通过 KNN 对异常进行评分——训练过程中无需真实异常样本。该方法在轴承故障和退化数据集上进行了评估，包括高速列车轴箱轴承数据。

回归修复：用于时间序列异常检测的极简去噪网络

Hugging Face Daily Papers

本文提出了JuRe（Just Repair，意为“仅需修复”），一个用于时间序列异常检测的极简去噪网络。该网络在TSB-AD和UCR基准数据集上的性能匹配或超越了复杂的神经网络基线模型，表明正确的流形投影训练目标比架构复杂度更为重要。

多变量时间序列基准中的异常大多数是单变量的

arXiv cs.LG

本文介绍了一种用于多变量时间序列异常检测基准的诊断框架，发现标记的异常大多可以从单个通道检测到，这对跨通道建模的必要性提出了挑战。作者呼吁开发更多结构多样的评估数据集。