[论文解读] PaAno: Patch-Based Representation Learning for Time-Series Anomaly Detection

Jinju Park, Seokho - Kang|arXiv (Cornell University)|Feb 1, 2026

Anomaly Detection Techniques and Applications被引用 0

一句话总结

PaAno 引入一种轻量级的基于补丁的表示学习方法，使用一维卷积神经网络来嵌入短时间序列补丁，实现快速、内存高效的异常检测，在 TSB-AD 上取得最先进的单变量和多变量数据结果。

ABSTRACT

Although recent studies on time-series anomaly detection have increasingly adopted ever-larger neural network architectures such as transformers and foundation models, they incur high computational costs and memory usage, making them impractical for real-time and resource-constrained scenarios. Moreover, they often fail to demonstrate significant performance gains over simpler methods under rigorous evaluation protocols. In this study, we propose Patch-based representation learning for time-series Anomaly detection (PaAno), a lightweight yet effective method for fast and efficient time-series anomaly detection. PaAno extracts short temporal patches from time-series training data and uses a 1D convolutional neural network to embed each patch into a vector representation. The model is trained using a combination of triplet loss and pretext loss to ensure the embeddings capture informative temporal patterns from input patches. During inference, the anomaly score at each time step is computed by comparing the embeddings of its surrounding patches to those of normal patches extracted from the training time-series. Evaluated on the TSB-AD benchmark, PaAno achieved state-of-the-art performance, significantly outperforming existing methods, including those based on heavy architectures, on both univariate and multivariate time-series anomaly detection across various range-wise and point-wise performance measures.

研究动机与目标

• 为时间序列异常检测提供相对于重型 Transformer 方法的轻量级替代方案的动机。
• 提出基于补丁的表示学习以捕获局部时序模式。
• 开发基于内存库的异常评分机制，将补丁与正常模式进行对比。
• 在 TSB-AD 基准上通过严格评估展示最先进的性能。）
• method([
• 使用滑动窗口从正常时间序列训练数据中提取重叠补丁。
• 通过紧凑的一维卷积神经网络将每个补丁嵌入为补丁级表示。
• 采用联合目标：三元组损失用于将相似补丁聚类，同时设计前缀任务损失以强化时序关系。
• 从训练数据中构建补丁嵌入的内存库，并应用核心子采样以减小规模。
• 推理阶段，通过最近邻距离将补丁嵌入与缩减后的内存库进行比对，并对周围的补丁求平均来得到异常分数。）
• research_questions([
• 是否可以用轻量级的一维 CNN 建模的补丁级表示实现与强大架构相竞争的异常检测？
• 将三元组损失和前缀损失结合是否能为时间序列异常提供鲁棒、可辨别的补丁嵌入？
• 在严格评估下，基于内存库的评分机制对单变量和多变量时间序列的效果如何？
• 所提方法在面对非平稳性和超参数设定时是否仍具鲁棒性且保持高效？）
• key_findings([
• PaAno 在单变量和多变量时间序列的 TS B-AD 基准上取得了最先进的性能。
• 在不进行大量超参数调优的情况下，它在多种区间范围和点位指标上均优于复杂结构。
• 采用基于补丁嵌入的轻量级一维 CNN，通过聚焦局部时序依赖实现强烈的异常判别能力。
• 带有核心子采样的内存库提供高效、可扩展的异常评分，适合实时部署。
• 该方法对超参数配置和非平稳正态区间表现出鲁棒性，通过简单的在线内存更新实现。

提出的方法

• PaAno (ours)
• 0.52 /1
• 0.89 /1
• 0.48 /1
• 0.46 /1
• 0.86 /1
• 0.51 /1
• 0.3M
• 6.9s

Figure 3: Training procedure of PaAno. The training dataset is split into patches. Using the patch set, three model components—a patch encoder, a projection head, and a classification head—are trained with the training objective that consists of two losses. Triplet loss encourages temporally similar

实验结果

研究问题

• RQ1 PaAno (KAN-AD)
• RQ2 0.43 /2
• RQ3 0.82 /2
• RQ4 0.43 /2
• RQ5 0.41 /2
• RQ6 0.80 /2
• RQ7 0.44 /2
• RQ8 <0.1M
• RQ9 12.1s

主要发现

方法	VUS-PR	VUS-ROC	Range-F1	AUC-PR	AUC-ROC	Point-F1	#Params	Run Time
PaAno (Ours)	0.52 /1	0.89 /1	0.48 /1	0.46 /1	0.86 /1	0.51 /1	0.3M	6.9s
(KAN-AD)	0.43 /2	0.82 /2	0.43 /2	0.41 /2	0.80 /2	0.44 /2	<0.1M	12.1s

• PaAno 在单变量和多变量时间序列的 TS B-AD 基准上取得了最先进的性能。
• 在不进行大量超参数调优的情况下，它在多种区间范围和点位指标上均优于复杂结构。
• 采用基于补丁嵌入的轻量级一维 CNN，通过聚焦局部时序依赖实现强烈的异常判别能力。
• 带有核心子采样的内存库提供高效、可扩展的异常评分，适合实时部署。
• 该方法对超参数配置和非平稳正态区间表现出鲁棒性，通过简单的在线内存更新实现。

Figure 4: Anomaly detection procedure of PaAno.