基于卷积结构隐式神经表示（CSTSINR）提升时间序列异常检测的时序连续性建模

本刊推荐：本文创新性地提出卷积结构隐式神经表示（CSTSINR）模型，通过结构化特征图与卷积机制增强隐式神经表示（INR）的连续函数建模能力。该模型有效解决了现有方法在复杂时间序列（尤其含高频成分数据）中表征能力不足的问题，显著提升了异常检测的时效性与准确性。实验证明其在10个基准数据集上均优于现有先进方法。

　　

Highlight

• 我们提出CSTSINR——一种基于卷积结构连续函数的新型隐式神经表示（INR）时间序列异常检测框架。该设计有效解决了现有INR方法在处理复杂数据集和泛化多样化时间序列模式时的局限性。

• 我们为时间序列设计了一种新形式的INR连续函数，包含由编码器预测的实例特异性一维结构化特征图，以及实例无关的可学习转换函数。这种形式显著减轻了编码器的预测负担，并增强了INR模型拟合复杂时序信号的能力。

• 我们引入了基于卷积网络的序列式查询机制，以替代传统的基于多层感知机（MLP）的点式查询过程。通过一维卷积操作融入时序上下文，该机制保持了时序连续性并提高了重建保真度。

• 在十个基准时间序列异常检测数据集上进行的大量实验验证了CSTSINR的卓越性能，证明了其在现实世界时间序列异常检测应用中的有效性和可扩展性。

Time Series Anomaly Detection

时间序列异常检测（Chen et al. 2025; Fan et al. 2024）已成为多领域的关键任务。早期方法侧重于统计技术，通常假设数据遵循已知分布。常见统计方法包括基于z-score的方法（Chikodili et al. 2020）、移动平均（Carter and Streilein 2012; Zhou and Tang 2016）、自回归模型（Anderson 1976; Hill and Minsker 2010）和基于支持向量机（SVM）的方法（Tax and Duin 2004）。尽管这些方法…

Problem Statement

设X = {x₁, x₂, …, x_T}表示长度为T的时间序列数据，其中每个观测值x_t ∈ R^N代表时刻t的N维变量向量。异常检测的目标是识别时间点子集A ? {1,2,?,T}，其中每个索引t ∈ A对应异常观测值。具体而言，异常的识别基于重建性能的质量。遵循先前基于重建的异常检测方法（Li et al. 2024）…

Datasets

为全面评估所提出的CSTSINR模型的有效性，我们在十个公开可用的多变量异常检测基准上进行了实验：1）SMD（Su et al. 2019）是从大型互联网公司收集的为期5周的新数据集，涵盖28台不同机器的38维时间序列数据。2）PSM（Abdulaal et al. 2021）是从eBay服务器节点收集的25维数据集，捕获了多个…

Conclusion

在本文中，我们介绍了CSTSINR——一种将INR的灵活性与结构化特征图和卷积网络能力相结合的新型时间序列异常检测方法。我们的方法解决了先前基于INR的时间序列异常检测模型的关键局限，特别是无法捕获复杂时间依赖性和识别高频异常的问题。通过预测结构化特征图并采用卷积层，CSTSINR增强了…