时间序列异常检测（TSAD）对于维护物联网服务系统的可靠性和安全性至关重要。现有方法需要为每个数据集训练特定模型，这在不同目标数据集间的泛化能力有限，从而影响在稀缺训练数据场景下的异常检测性能。为了解决这个问题，基础模型作为一种前景方向逐渐受到关注。
目前的做法要么是重新利用大型语言模型（LLMs），要么构建大规模时间序列数据集以开发通用异常检测基础模型，但仍面临严重的跨模态差距或领域内异质性带来的挑战。
在本文中，我们探讨了大型视觉模型在TSAD中的适用性。具体来说，我们将预训练于ImageNet的视觉掩蔽自编码器（MAE）适配到TSAD任务。然而，直接将MAE转移到TSAD会引入两个关键挑战：过度泛化和局部感知能力有限。为了解决这些问题，我们提出了VAN-AD，一个基于MAE的TSAD新框架。
为缓解过度泛化问题，我们设计了自适应分布映射模块（ADMM），该模块将MAE前后的重建结果映射到统一的统计空间，以放大由于异常模式引起的差异。为克服局部感知能力的限制，我们进一步开发了正则化流模块（NFM），将MAE与正则化流结合，以估计当前窗口在全局分布下的概率密度。
在九个真实世界数据集上的大量实验表明，VAN-AD在多个评估指标上始终优于现有的最先进方法。我们已将代码和数据集发布在 GitHub。
博主点评： 该研究通过引入视觉掩蔽自编码器和正则化流模块，成功克服了传统方法的局限性，展示了基础模型在时间序列异常检测中的潜力，值得在实际应用中深入探索。