一篇新论文批判性地审查了时间序列异常检测（TSAD）的评估指标，发现许多常用指标容易被简单的、无技能的分数生成器所操纵。该研究在多个基准测试中测试了12种指标，揭示了affiliation-F1和基于ROC的指标（如VUS-ROC）特别容易受到攻击，而基于PR的指标和PA%K则显示出更强的韧性。作者发布了一个压力测试工具，并建议优先考虑基于PR的指标或PA%K，谨慎对待affiliation-F1和ROC-AUC变体，并在每个基准测试基础上验证指标性能。 AI
影响 突出了标准评估方法中的关键缺陷，可能影响未来异常检测研究的可靠性。
排序理由 该集群包含一篇详细介绍评估指标新研究发现的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.11969v1 Announce Type: new Abstract: Point-adjustment (PA), long the default scoring protocol in time-series anomaly detection (TSAD), was shown by Kim et al. (2022) to award near-perfect F1 to random scores. The field migrated to replacement metrics: PA%K, range-based…
Point-adjustment (PA), long the default scoring protocol in time-series anomaly detection (TSAD), was shown by Kim et al. (2022) to award near-perfect F1 to random scores. The field migrated to replacement metrics: PA%K, range-based precision/recall, affiliation precision/recall,…