機器學習專家 Eamonn Keogh 指出，擁有百年歷史的統計製程管制（SPC）演算法，在廣泛使用的「時間序列異常檢測 TSB-AD 基準測試」中，表現優於最新的深度學習方法。Keogh 測試了該基準測試中的多種數據集，包括心電圖（ECG）軌跡，發現簡單的 SPC 控制圖能在複雜模型表現不佳的情況下，達到完美或近乎完美的結果。這一發現表明，許多近期的 SOTA 論文可能過度擬合了這些特定數據集中的簡單模式。Keogh 強調，雖然他尚未完全解決基準測試過於簡單的問題，但已準備好雪橇犬和燃料電池等更具挑戰性的真實世界數據集，以應對這一挑戰。

事件背景

時間序列異常檢測（TSAD）旨在識別序列數據（如感測器讀數或金融交易）中的異常模式。TSB-AD 基準測試是評估 TSAD 演算法的熱門套件，包含數百個用於測試模型性能的數據集。統計製程管制（SPC）是一種傳統的品質控制方法，利用控制圖等統計技術來監控製程穩定性並檢測偏差。

社群觀察

社群普遍認同 Keogh 的觀點，指出許多研究人員在追逐排行榜時未驗證基準測試的有效性，導致對玩具問題過度擬合。部分用戶指出這並非新主張，但感謝 Keogh 持續倡導，另有人質疑時間序列異常檢測本質上是否為一個病態問題。