如有侵权或其他问题欢迎留言联系更正或删除。出处AAAI 2024代码链接carrtesy/M2N2: Official repository for the paper When Model Meets New Normals: Test-time Adaptation for Unsupervised Time-series Anomaly Detection, AAAI 2024.一 提出动机分布偏移“正态性” 的概念伴随时间的推移变化new normal problem仅根据训练数据无法完全表征测试时间内的正态分布。若不考虑分布变化模型往往依赖于过去的观测产生误报从而损害监测系统的一致性测试时间自适应方法 更新模型参数以推广到不同的数据分布不依赖于标签的额外监督或对训练数据的访问TSAD 有应用 测试时间自适应test-time adaptation mechanisms 策略的动机①由于监测系统实时工作频繁访问过去的适应数据成本很高② 由于获取标签通常有限因此需要在没有监督的情况下进行模型更新③ 基于假设训练数据 及 测试数据 分布不同PS. 提出的 TTA 模块 可无缝衔接其他 TSAD 基线是重要的实验现象发现二 Method① 趋势估计模块旨在适应趋势显著不同的新常态同时保留 历史序列 的 潜在动态模式过渡前后的序列具有相同动态但趋势转变后的观测结果被归类为异常未对趋势进行适当的适应见上图。为解决此问题简单使用指数移动平均统计数据进行趋势估计解读② TTA 模块在无监督时序异常检测任务内测试阶段也未包含带标签的时序数据因此以 模型预测结果 为基准挑选正常时序数据用于在测试阶段更新模型参数采用 在线梯度下降策略online gradient descent (Zinkevich 2003)以更新模型参数损失值计算以模型预测结果为基准只计入由 “模型预测的、正常时序数据” 的重建损失三 实验结果PPT 展示