综述梳理TSAD新兴范式，并发布开源基准与评估工具。
资讯摘要
一篇时间序列异常检测（TSAD）综述论文指出，现有综述对扩散模型、状态空间模型和 LLM 等新兴架构覆盖不足，也缺少对多变量异常、跨域统一建模、指标可靠性和当代评估挑战的统一处理。论文提出细化的异常分类与范式分类体系，分析评估方法并通过实验检验指标保真度，同时发布涵盖算法、数据集与评估工具的开源基准仓库，并展望动态阈值、可解释性、零样本迁移、多模态对齐与时间序列基础模型等方向。
要点速读
- 论文提出细化的异常分类和结构化范式分类，比较各范式的检测机制与发展脉络。
- 作者开展实验评估指标保真度，并提供包含算法、数据集和评估工具的开源基准仓库。
- 论文列出动态阈值、模型可解释性、零样本迁移、多模态对齐和时间序列基础模型等开放挑战。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。