时序异常检测在工业监控、金融及医疗等领域至关重要。传统方法多依赖数值驱动的专门模型，面临上下文理解能力不足、误报率高及基准测试集不一致等严峻挑战。

本文整合的两篇论文分别从模型架构创新与基准体系重构入手：前者提出的 VLM4TS 巧妙利用视觉语言模型（VLM）的仿人视觉推理能力，打破了分辨率与上下文的权衡难题；后者推出的 TSB-AD 则针对行业“房间里的大象”，通过构建首个大规模、高标准挖掘的异质数据集并确定了最可靠的评价指标 VUS-PR，为领域发展奠定了坚实的科学基准。

我整理了TSAD模型全景图，感兴趣的dd，希望能帮到你~

原文 姿 料 这儿~

一、 论文1：[AAAI 2026] Harnessing Vision-Language Models for Time Series Anomaly Detection

方法：

提出一种名为 VLM4TS 的两阶段框架（如图3）：

1. ViT4TS（视觉筛选阶段）：使用轻量级的 视觉变换器（ViT） 编码器。通过将滑动窗口内的时序数据渲染为2D线图，利用多尺度特征进行跨补丁比较（Cross-Patch Comparison），快速锁定异常候选区间。

2. VLM-Refinement（VLM验证阶段）：将全量时序图及候选区间输入强力 VLM（如 GPT-4o），利用其全局上下文理解能力剔除伪异常，实现精准定位。

创新点：

• 跨模态迁移：证明了在图像数据上预训练的 VLM 无需任何时序微调即可在零样本（Zero-shot）设置下展现高超的异常识别能力。

• 多尺度补丁机制：在 ViT 编码中引入多尺度池化，有效捕捉从窄尖峰到长漂移的各类异常。其核心相似度计算公式为：

• 效率突破：通过“定位+验证”模式，规避了直接对长序列进行高分辨率图像处理带来的巨额成本。

• 代码链接：https://github.com/ZLHe0/VLM4TS

• 论文链接：https://arxiv.org/pdf/2506.06836

二、 论文2：[NeurIPS 2024] The Elephant in the Room: Towards A Reliable Time-Series Anomaly Detection Benchmark

方法：

构建了名为 TSB-AD 的系统化基准体系（如图3）：

1. 数据清洗流水线：从40个数据集中提取1070条高质量时序，通过算法辅助+人工核对剔除误标和琐碎样本。

2. 指标可靠性评估：对10种评价指标进行压力测试。

3. 算法大模型评测：涵盖从传统统计法到最新基础模型（Foundation Models）（如 MOMENT, Chronos）的40种算法。

创新点：

• 数据集规模与质量：提供了目前最大规模的、经过人类感知与模型解释双重校验的异质数据集（含单变量与多变量）。

• 评价指标纠偏：通过实验证明 VUS-PR（曲线下面积体积） 是最可靠、对时延（Lag）最鲁棒的指标，而传统的 点调整（Point Adjustment, PA） 存在严重偏向随机噪声的隐患（如图2(c)）。

• 发现统计学力量：研究发现基于 PCA 的变体 Sub-PCA 等简单方法在多项任务中排名第一，挑战了“深度架构必然更优”的行业共识。

• VUS指标量化公式（以 VUS-PR 为例）：

  (注：该指标通过增加缓冲区处理边界模糊问题。)

• 代码链接：https://github.com/TheDatumOrg/TSB-AD

• 论文链接：https://proceedings.neurips.cc/paper_files/paper/2024/file/c3f3c690b7a99fba16d0efd35cb83b2c-Paper-Datasets_and_Benchmarks_Track.pdf