Adaptive Conformal Anomaly Detection with Time Series Foundation Models for Signal Monitoring

📄 arXiv: 2604.20122v1 📥 PDF

作者: Natalia Martinez Gil, Fearghal O'Donncha, Wesley M. Gifford, Nianjun Zhou, Dhaval C. Patel, Roman Vaculin

分类: cs.LG, cs.AI

发布日期: 2026-04-22

备注: Code in : https://github.com/ibm-granite/granite-tsfm/tree/main/notebooks/hfdemo/adaptive_conformal_tsad

💡 一句话要点

提出自适应共形异常检测方法，利用时序预训练模型进行信号监控。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列分析 异常检测 共形预测 预训练模型 自适应学习

📋 核心要点

  1. 现有时间序列异常检测方法在数据有限、缺乏专业知识和需要快速推理的工业场景中面临挑战。
  2. 提出一种自适应共形异常检测方法，利用预训练时序基础模型，无需微调，即可实现异常检测。
  3. 实验表明，该方法在合成和真实数据集上表现出强大的性能，兼具简单性、可解释性、鲁棒性和适应性。

📝 摘要（中文）

本文提出了一种后验自适应共形异常检测方法，用于监控时间序列，该方法利用预训练的基础模型进行预测，无需额外的微调。该方法产生可解释的异常评分，可以直接解释为误报率（p值），从而促进透明和可操作的决策。它采用加权分位数共形预测边界，并自适应地从过去的预测中学习最优的加权参数，从而实现在分布偏移下的校准和稳定的误报控制，同时保留了样本外保证。作为一个模型无关的解决方案，它可以与基础模型无缝集成，并支持在资源受限的环境中快速部署。该方法解决了关键的工业挑战，如有限的数据可用性、缺乏训练专业知识以及对即时推理的需求，同时利用了日益普及的时间序列基础模型。在合成和真实世界数据集上的实验表明，该方法具有强大的性能，结合了简单性、可解释性、鲁棒性和适应性。

🔬 方法详解

问题定义：论文旨在解决时间序列信号监控中的异常检测问题。现有方法通常需要大量标注数据进行训练或微调，这在数据稀缺或分布变化的工业环境中是不切实际的。此外，许多方法缺乏可解释性，难以进行决策。

核心思路：论文的核心思路是利用预训练的时间序列基础模型，结合自适应共形预测，实现无需微调的异常检测。通过共形预测，可以得到具有置信度的预测区间，并将其转化为可解释的p值，作为异常评分。自适应加权机制则可以应对数据分布的变化，保持误报率的稳定。

技术框架：整体框架包括以下几个主要阶段：1) 使用预训练的时间序列基础模型进行预测；2) 利用加权分位数共形预测构建预测区间；3) 根据历史预测误差自适应地学习最优权重；4) 将预测区间转化为p值，作为异常评分。

关键创新：该方法最重要的创新点在于将自适应加权共形预测与预训练时间序列模型相结合，实现了无需微调、可解释、鲁棒且适应性强的异常检测。与传统方法相比，该方法无需大量标注数据，能够应对分布变化，并提供可解释的异常评分。

关键设计：关键设计包括：1) 使用加权分位数共形预测，通过调整权重来适应不同的预测误差分布；2) 设计自适应权重学习机制，根据历史预测误差动态调整权重，以应对分布变化；3) 将预测区间转化为p值，作为异常评分，便于理解和决策。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文在合成和真实世界数据集上进行了实验，结果表明该方法在保持较低误报率的同时，能够有效地检测出异常。与传统方法相比，该方法无需微调，且具有更好的适应性和鲁棒性。具体性能数据和对比基线在论文中进行了详细展示。

🎯 应用场景

该研究成果可广泛应用于工业信号监控、设备故障诊断、网络安全异常检测等领域。通过利用预训练模型和自适应共形预测，可以降低异常检测的部署成本和技术门槛，提高检测的准确性和可靠性，为工业智能化提供有力支持。

📄 摘要（原文）

We propose a post-hoc adaptive conformal anomaly detection method for monitoring time series that leverages predictions from pre-trained foundation models without requiring additional fine-tuning. Our method yields an interpretable anomaly score directly interpretable as a false alarm rate (p-value), facilitating transparent and actionable decision-making. It employs weighted quantile conformal prediction bounds and adaptively learns optimal weighting parameters from past predictions, enabling calibration under distribution shifts and stable false alarm control, while preserving out-of-sample guarantees. As a model-agnostic solution, it integrates seamlessly with foundation models and supports rapid deployment in resource-constrained environments. This approach addresses key industrial challenges such as limited data availability, lack of training expertise, and the need for immediate inference, while taking advantage of the growing accessibility of time series foundation models. Experiments on both synthetic and real-world datasets show that the proposed approach delivers strong performance, combining simplicity, interpretability, robustness, and adaptivity.