arXiv · cs.AI· Christos Panourgias, Roberto Stanzione, Adrien Petralia, Themis Palpanas, Paul Boniol·· 5 小时前
RAMSAD：基于相似性检索的时间序列异常检测模型选择框架
Retrieval Over Training: Similarity search-based Model Selection for Time Series Anomaly Detection
arXiv:2610.20243v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Christos Panourgias, Roberto Stanzione, Adrien Petralia, Themis Palpanas, Paul Boniol
研究任务与主要进展
作者提出 RAMSAD，一种基于相似性检索的时间序列异常检测模型选择框架：针对新时间序列，从历史序列知识库中检索 top-k 最相似序列，并迁移其检测器推荐。作者报告，该方法在 ID 场景优于现有基线，在 OOD 场景具有更稳健的选择表现；选择部分检测器时，其效果可达到或超过运行完整检测器池的集成，而成本仅为其一部分。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org