检测、解释与解读：时间序列异常检测、可解释性与可解释度的端到端基准

arXiv:2610.01168v1 公告类型：新 摘要：随着复杂时间序列数据日益丰富，时间序列异常检测受到了越来越多的关注。这一趋势推动了众多检测方法的发展，也促成了各种旨在全面评估其性能的基准的出现。然而，现有的大多数检测器仍基本不考虑领域背景，忽视了可解释性与可解读性。这一缺口的主要原因之一在于，当前基准主要关注检测准确率，只有少数基准评估空间可解释性。此外，目前还没有任何基准提供足够丰富的语义标注，以支持生成人类可理解的异常解读。为解决这些局限，我们提出了 SHAD（Scality High-dimensional Anomaly Detection benchmark），这是一个经过完整标注的基准，由从 Scality 运营的真实分布式云存储系统中收集的 215 条多变量高维时间序列组成。所提出的数据集包含丰富的上下文信息，涵盖严重程度各不相同的三类异常。作为进一步贡献，我们通过评估检测、解释与解读的基线方法，为未来研究奠定基础，覆盖 TSAD 流程的所有阶段。在检测方面，我们对广泛的现有异常检测器进行基准测试，检验其在所提出真实世界数据集上的有效性。随后，在可解释性方面，我们评估衡量生成的异常分数中各维度的贡献是否能够提供准确的异常归因。最后，在可解读性方面，我们研究了冻结 LLM 基线在定位和解读异常方面的有效性。