不只填补，更要检测：面向边缘异常检测的任务感知扩散流水线

arXiv:2610.40732v1 公告类型：新提交 摘要：工业物联网（IIoT）边缘流水线经常因网络中断和硬件故障而丢失连续的多传感器数据块。标准补救方法是采用割裂的“先填补、后检测”流水线，其中填补器仅以均方误差（MSE）为训练目标。这类填补器会用最可能的正常模式填充缺失数据块：仅被部分观测到的异常会被平滑回正常状态，而正常数据上的边界伪影则会引发误报。我们将这一现象称为填补偏差，并提出 Task-Aware Diffusion Refiner（TADR），这是一种以冻结的下游检测器的损失景观为依据进行训练的条件扩散精修器。由于沿采样轨迹进行反向传播在计算上难以实现，任务感知项直接作用于噪声预测本身即可得到的单步无噪声窗口估计，因此训练成本不超过普通扩散训练。在使用五个随机种子并进行配对显著性检验的严格逐点评估下，相比未经精修的检测器，TADR 在 SMD 上将 F1 提高了 $0.338$（$p = 0.0015$）；在消融实验中，仅异常增强目标一项就贡献了 $0.463$ 的提升。我们还刻画了该方法在何种情况下有效：增益与可用的连续且相互冗余的通道以及中断所抹去的异常证据有关，而在以独热命令通道为主的遥测数据集和 PSM 上则没有增益。采用十个采样步时，TADR 在单个 CPU 核心上处理每个窗口耗时 $41.4$ 毫秒，凭借一个 $4.03$ MB 的模型即可支持约 $24$ 路并发的 1 Hz 数据流。代码和各随机种子的结果可在 https://github.com/int-park422/TADR 获取。