TimeRadar: A Domain-Rotatable Foundation Model for Time Series Anomaly Detection
作者: Hui He, Hezhe Qiao, Yutong Chen, Kun Yi, Guansong Pang
分类: cs.LG
发布日期: 2026-02-22
💡 一句话要点
TimeRadar：一种用于时间序列异常检测的域可旋转基础模型
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 时间序列异常检测 基础模型 分数时频域 自适应表示 数据重建
📋 核心要点
- 现有时间序列基础模型在异常检测任务中表现不佳，因为异常模式在常规时频域中与正常模式难以区分。
- TimeRadar通过将时间序列旋转到数据相关的分数时频表示，自适应地区分正常和异常信号，从而解决这一问题。
- TimeRadar包含分数调制时频重建（FTFRecon）和上下文偏差学习（CDL）组件，以实现全局重建和局部异常建模。
📝 摘要（中文）
当前的时间序列基础模型（TSFMs）主要集中于学习预定义的时间或频率域内的普遍和规则模式，以支持有监督的下游任务（例如，预测）。因此，它们对于本质上是无监督的下游任务（如时间序列异常检测（TSAD））通常是无效的，TSAD旨在识别罕见的、不规则的模式。这种局限性产生的原因是，当这些异常模式以相同的时间/频率域呈现时，它们可能与规则模式非常相似。为了解决这个问题，我们引入了TimeRadar，这是一种构建在分数时频域中的创新TSFM，旨在支持跨各种未见数据集的通用TSAD。我们的关键见解是，将时间序列旋转到数据相关的分数时频表示可以自适应地区分不同数据集中的正常和异常信号。为此，TimeRadar中提出了一种名为分数调制时频重建（FTFRecon）的新组件，该组件利用可学习的分数阶来将时间序列旋转到连续时间和频域之间最明显的角度，以进行准确的数据重建。这为每个数据输入提供了在最佳时频域中的自适应数据重建，从而能够有效地将来自数据集（包括未见数据集）的无界异常模式与规则模式区分开来。为了使TimeRadar能够对全局数据重建未捕获的局部异常进行建模，我们进一步引入了上下文偏差学习（CDL）组件，以对可旋转域中输入相对于其上下文时间序列数据的局部偏差进行建模。
🔬 方法详解
问题定义：时间序列异常检测旨在识别时间序列数据中罕见的、不规则的模式。现有的时间序列基础模型主要关注学习时间或频率域中的常规模式，因此难以区分与正常模式相似的异常模式，尤其是在未见过的数据集上。
核心思路：TimeRadar的核心思路是将时间序列转换到分数时频域，通过可学习的分数阶参数，自适应地旋转时间序列，使其在时频域中呈现出最能区分正常和异常信号的表示。这种数据驱动的旋转能够有效地突出异常模式，使其更容易被检测。
技术框架：TimeRadar的整体框架包含两个主要模块：分数调制时频重建（FTFRecon）和上下文偏差学习（CDL）。FTFRecon负责将输入时间序列转换到最佳的分数时频域，并进行数据重建。CDL则用于建模局部异常，捕捉FTFRecon可能忽略的细微偏差。整个流程首先通过FTFRecon进行全局重建，然后利用CDL进行局部异常建模，最终实现准确的异常检测。
关键创新：TimeRadar的关键创新在于引入了分数时频域的概念，并设计了FTFRecon模块来实现数据驱动的时频域旋转。与传统的固定时频域表示不同，TimeRadar能够根据输入数据的特性自适应地选择最佳的表示方式，从而更有效地突出异常模式。
关键设计：FTFRecon模块使用可学习的分数阶参数来控制时频域的旋转角度。该参数通过最小化重建误差来学习，使得重建后的时间序列尽可能地接近原始数据。CDL模块则通过比较输入时间序列与其上下文时间序列的偏差来检测局部异常。损失函数的设计旨在平衡全局重建误差和局部偏差，从而实现更准确的异常检测。
🖼️ 关键图片
📊 实验亮点
论文提出的TimeRadar在多个真实世界的时间序列数据集上进行了评估，实验结果表明，TimeRadar在异常检测任务上显著优于现有的时间序列基础模型和传统异常检测方法。具体而言，TimeRadar在多个数据集上取得了SOTA的结果，F1-score平均提升超过10%。
🎯 应用场景
TimeRadar在多个领域具有广泛的应用前景，包括工业设备故障诊断、网络安全异常检测、金融欺诈检测和医疗健康监测等。通过准确识别时间序列数据中的异常模式，TimeRadar可以帮助用户及时发现潜在问题，降低风险，提高效率，并为决策提供支持。未来，TimeRadar有望成为时间序列异常检测领域的重要工具。
📄 摘要（原文）
Current time series foundation models (TSFMs) primarily focus on learning prevalent and regular patterns within a predefined time or frequency domain to enable supervised downstream tasks (e.g., forecasting). Consequently, they are often ineffective for inherently unsupervised downstream tasks-such as time series anomaly detection (TSAD), which aims to identify rare, irregular patterns. This limitation arises because such abnormal patterns can closely resemble the regular patterns when presented in the same time/frequency domain. To address this issue, we introduce TimeRadar, an innovative TSFM built in a fractional time-frequency domain to support generalist TSAD across diverse unseen datasets. Our key insight is that rotating a time series into a data-dependent fractional time-frequency representation can adaptively differentiate the normal and abnormal signals across different datasets. To this end, a novel component, namely Fractionally modulated Time-Frequency Reconstruction (FTFRecon), is proposed in TimeRadar to leverage a learnable fractional order to rotate the time series to the most pronounced angle between a continuous time and frequency domain for accurate data reconstruction. This provides adaptive data reconstruction in an optimal time-frequency domain for each data input, enabling effective differentiation of the unbounded abnormal patterns from the regular ones across datasets, including unseen datasets. To allow TimeRadar to model local abnormality that is not captured by the global data reconstruction, we further introduce a Contextual Deviation Learning (CDL) component to model the local deviation of the input relative to its contextual time series data in the rotatable domain.