Page 332 - 《软件学报》2026年第2期

梁志宇 等: 知识增强的时间序列异常检测算法自动选择 811

1.00 1.00 1.00 1.00
0.75 0.75 0.75 0.75
Ours 0.50 Ours 0.50 Ours 0.50 Ours 0.50
胜: 14 胜: 13 胜: 13 胜: 14
0.25 0.25 0.25 0.25
平: 0 平: 0 平: 0 平: 0
负: 0 负: 1 负: 1 负: 0
0 0 0 0
0 0.25 0.50 0.75 1.00 0 0.25 0.50 0.75 1.00 0 0.25 0.50 0.75 1.00 0 0.25 0.50 0.75 1.00
IForest IForest1 LOF MP
(a) Ours vs. IForest (b) Ours vs. IForest1 (c) Ours vs. LOF (d) Ours vs. MP
1.00 1.00 1.00 1.00
0.75 0.75 0.75 0.75
Ours 0.50 Ours 0.50 Ours 0.50 Ours 0.50

胜: 13 胜: 13 胜: 13 胜: 13
0.25 0.25 0.25 0.25
平: 1 平: 0 平: 0 平: 1
负: 0 负: 1 负: 1 负: 0
0
0 0.25 0.50 0.75 1.00 0 0.25 0.50 0.75 1.00 0 0.25 0.50 0.75 1.00 0 0.25 0.50 0.75 1.00
NormA PCA HBOS POLY
(e) Ours vs. NormA (f) Ours vs. PCA (g) Ours vs. HBOS (h) Ours vs. POLY
1.00 1.00 1.00 1.00
0.75 0.75 0.75 0.75
Ours 0.50 Ours 0.50 Ours 0.50 Ours 0.50

胜: 14 胜: 14 胜: 14 胜: 14
0.25 0.25 0.25 0.25
平: 0 平: 0 平: 0 平: 0
负: 0 负: 0 负: 0 负: 0
0 0 0 0
0 0.25 0.50 0.75 1.00 0 0.25 0.50 0.75 1.00 0 0.25 0.50 0.75 1.00 0 0.25 0.50 0.75 1.00
OC-SVM AE LSTM-AD CNN
(i) Ours vs. OC-SVM (j) Ours vs. AE (k) Ours vs. LSTM-AD (l) Ours vs. CNN
1.00 1.00
0.75 0.75
Ours 0.50 Ours 0.50

胜: 14 胜: 0
0.25 0.25
平: 0 平: 2
负: 0 负: 12
0 0
0 0.25 0.50 0.75 1.00 0 0.25 0.50 0.75 1.00
AvgEnsemble Oracle
(m) Ours vs. AvgEnsemble (n) Ours vs. Oracle
图 6 本文方法与单个异常检测算法、所有算法的集成以及神谕 (Oracle) 算法选择方法的准确率对比

最后, 将本文方法与算法自动选择的神谕 (Oracle) 方法进行对比. 后者根据所有候选异常检测算法在测试集
上的检测准确率真值, 为每个时间序列选择具有最高准确率的算法, 代表的是异常检测算法自动选择方法所能达
到的理论上限. 图 6(n) 中的结果显示, 本文方法在 2 个数据集上与神谕方法准确率持平, 另有 3 个数据集上准确
率接近神谕方法, 而在其余 9 个数据集上仍存在一定差距. 结果表明, 在本文方法的基础之上, 针对时间序列异常
检测算法的自动选择问题, 仍存在进一步优化空间.
4.5 消融实验
本节通过消融实验进一步探究所提的两个知识增强模块的有效性. 为此, 将本文方法与其 3 个变体进行比较.
所有方法采用相同的超参数配置. 为便于比较, 在第 4.3 节设置的基础上将 g T 和 g K 的输出维度固定为 64. t soft 固