面向非平稳时间序列的谱分解自适应异常检测方法SDA研究

《Neurocomputing》：Spectral decomposition and adaptation for non-stationary time series anomaly detection

本文针对非平稳时间序列异常检测中的分布差异问题，提出了一种基于谱分解与自适应调整的新型框架SDA。该研究通过频谱分析将时间序列分解为时变和时不变分量，并引入测试时自适应策略增强正常-异常区分度。实验表明SDA在三个真实数据集上显著提升检测性能，同时将训练时间减少三分之二，模型大小控制在2MB以内，为工业应用提供了高效解决方案。

　　

在金融风控、工业物联网和健康医疗等领域，时间序列异常检测犹如一位永不疲倦的哨兵，时刻警惕着数据流中的异常波动。然而现实世界的时间序列往往具有非平稳特性，其统计特征随时间动态变化，给传统检测方法带来巨大挑战。现有重构类方法在处理这类数据时，既难以捕捉复杂的时序依赖关系，又忽略了训练与测试阶段的分布差异，导致在实际应用中表现不佳。更棘手的是，异常样本的稀缺性使得监督学习方法难以施展，而无监督方法在面对非平稳数据时常常力不从心。

针对这一难题，中国科学院自动化研究所模式识别国家重点实验室的研究团队在《Neurocomputing》上发表了一项创新研究。他们提出的SDA（Spectral Decomposition and Adaptation）框架，通过谱分解技术将非平稳时间序列解构为时变和时不变分量，并设计了独特的测试时自适应策略，显著提升了异常检测的准确性与鲁棒性。

研究方法上，团队采用频谱分析进行信号分解，结合多层感知机（MLP）构建重构模型，并创新性地引入熵正则化机制强化正常点间的局部关联。针对分布偏移问题，团队基于异常得分分布设计伪标签生成策略，通过扩大伪正常与伪异常样本的得分差异实现自适应优化。实验覆盖PSM、SMD和SWaT三个真实工业数据集，采用F1-score等指标进行性能评估。

主要研究结果

谱分解有效性验证

通过对比实验发现，谱分解模块能有效分离时序数据的稳定与动态成分。在PSM数据集上，引入谱分解后重构误差降低23.6%，证明该方法能更好捕捉非平稳序列的本质特征。

自适应策略性能分析

测试时自适应（TTA）策略在三个数据集上均显著提升检测精度。特别是在SWaT数据集上，F1-score提升达15.8%，表明该策略能有效缓解分布偏移问题。

模型效率评估

SDA在保持优异性能的同时，模型参数量控制在2MB以内，训练时间较主流方法减少67%。这种轻量化设计使其更适合资源受限的边缘计算场景。

消融实验结论

消融实验证实熵正则化项能增强正常点间的局部相关性，使异常点重构误差相对增加31.2%，有效提升了模型的区分能力。

这项研究的意义不仅在于提出了一个高性能检测框架，更开创性地将谱分解与测试时自适应结合，为处理非平稳时序数据提供了新范式。其轻量化设计使算法具备落地应用的潜力，有望在智能运维、健康监测等领域发挥重要作用。研究者特别指出，未来将进一步探索分解粒度与自适应阈值的自动优化机制，以提升方法的普适性。