Generalist Representation, Specialist Detection: TS-Router for Time-Series Anomaly Detection

📄 arXiv: 2610.00978v1 📥 PDF

作者: Tian Lan, Yifei Gao, Yimeng Lu, Xuming An, Meng Wang, Yue Pan, Wenjun He, Chenghao Liu, Chen Zhang

分类: cs.LG, cs.AI

发布日期: 2026-10-01

💡 一句话要点

提出TS-Router以解决时间序列异常检测的泛化问题

🎯 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 专业化检测 软能力监督 预训练表示

📋 核心要点

  1. 现有的时间序列异常检测方法难以适应不同数据集的异质性，导致检测效果不佳。
  2. 本文提出TS-Router框架，通过基础模型协调多个专业化的异常检测标准，提升检测准确性。
  3. 在16个真实世界基准测试中，TS-Router在多个评估指标上表现最佳，显示出显著的性能提升。

📝 摘要（中文）

时间序列异常检测（TSAD）因数据集间的异质性而难以泛化，现有方法往往忽视了不同时间动态下的正常性概念。本文提出TS-Router框架，利用基础模型协调专业化的异常检测标准，而非直接施加统一标准。该框架通过预训练的时间表示评估异质异常检测器的相对能力，并为每个目标序列选择合适的专家。部署时无需目标异常标签，仅对选定专家进行无监督训练。实验结果表明，TS-Router在16个真实世界基准上表现优异，达到了最佳的整体平均排名。

🔬 方法详解

问题定义：本文旨在解决时间序列异常检测（TSAD）在不同数据集间泛化能力不足的问题。现有方法通常依赖于固定的异常评分机制，无法适应异质时间动态的变化。

核心思路：TS-Router框架的核心思想是利用基础模型来协调多个专业化的异常检测标准，而不是直接施加一个通用的标准。这种方法能够更好地适应不同数据集的特性。

技术框架：TS-Router的整体架构包括预训练的时间表示模块和专家选择模块。首先，通过预训练模型获取时间序列的表示，然后评估不同异常检测器的相对能力，最后为每个目标序列选择合适的专家进行检测。

关键创新：该研究的主要创新在于引入了软能力监督机制，通过模拟任务的相对表现来评估专家的能力，而无需依赖真实任务的标签。这一方法显著提升了专家选择的灵活性和准确性。

关键设计：在模型设计中，采用了多种冻结的时间序列基础模型（TSFM）编码器进行控制消融实验，验证了预训练表示在能力估计和自适应专家选择中的有效性。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

在16个真实世界基准测试中，TS-Router在四个评估指标上均表现优异，达到了最佳的整体平均排名。与现有方法相比，TS-Router在检测准确性和适应性上有显著提升，展示了其在时间序列异常检测中的有效性。

🎯 应用场景

TS-Router框架在金融监控、工业设备故障检测和网络安全等领域具有广泛的应用潜力。通过提高时间序列异常检测的准确性和适应性，该方法能够帮助企业及时发现潜在问题，降低风险，提升运营效率。未来，该框架还可以扩展到其他类型的序列数据分析中，推动相关领域的发展。

📄 摘要（原文）

Time-series anomaly detection (TSAD) is difficult to generalize across datasets because heterogeneous temporal dynamics imply different notions of normality and favor different detection criteria. While time-series foundation models provide transferable representations, coupling them with a fixed anomaly-scoring mechanism can overlook this variation. This motivates a different perspective on foundation-model-based TSAD: using foundation models to coordinate specialized anomaly criteria rather than directly imposing a universal one. Based on this view, we propose \textbf{TS-Router}, a generalist-representation, specialist-detection framework that estimates the relative competence of heterogeneous anomaly detectors from pretrained temporal representations and selects suitable specialists for each target series. To avoid relying on specialist-performance labels from real tasks, we derive soft competence supervision from specialists' relative performance on labeled simulated tasks. At deployment, routing requires no target anomaly labels, and only the selected specialists are fitted unsupervisedly on the target series. We bound Top-(k) set-competence regret under representation coverage and conditional competence stability. Across 16 real-world benchmarks and four complementary evaluation metrics, TS-Router achieves the best overall average rank. Controlled ablations with multiple frozen TSFM encoders further support the use of pretrained representations for competence estimation and adaptive specialist selection. The code is available at https://anonymous.4open.science/r/TS-Router-D8FF.