【来源：卷毛的时序日记微信公众号】

在云服务监控、工业制造等领域，时间序列异常检测就像"安全卫士"，能及时发现数据中的异常波动，避免重大故障。但传统方法总爱"钻牛角尖"——要么过度关注局部小波动导致误判，要么模型复杂到跑不动。

今天要给大家介绍的ICML 2025最新研究《KAN-AD: Time Series Anomaly Detection with Kolmogorov–Arnold Networks》，直接用三大创新点解决了这些痛点，一起来看看吧！

论文信息

题目：KAN-AD: Time Series Anomaly Detection with Kolmogorov–Arnold Networks

基于柯尔莫哥洛夫 - 阿诺德网络的时间序列异常检测方法KAN-AD

作者：Quan Zhou、Changhua Pei、Fei Sun、Jing Han、Zhengwei Gao、Haiming Zhang、Gaogang Xie、Dan Pei、Jianhui Li

为什么传统方法总掉链子？

先看个扎心的例子：当时间序列里混入局部峰值或下降时（比如服务器突发流量波动），像TimesNet这样的主流模型就容易"走火入魔"——把这些正常小波动当成异常，真正的异常反而漏检了。

问题出在哪？作者指出：正常数据比异常数据更平滑，但传统预测模型非要"死磕"每一个细节，结果把噪声当成了规律。基于VAE的方法虽然想通过降维避免这个问题，却又容易"偷懒"导致欠拟合。

KAN-AD：给KAN换个"发动机"

受柯尔莫哥洛夫-阿诺德定理启发（任何复杂函数都能拆成简单单变量函数的组合），研究团队对KAN网络进行了三大改造：

1. 用傅里叶级数替代B样条：傅里叶的正弦余弦波天生擅长捕捉周期性，还能过滤局部噪声
2. 加个"放大镜"看细节：用替代索引函数弥补傅里叶高频信息的缺失
3. 消除趋势干扰：通过差分运算让模型更专注于核心模式

一目了然的工作流程

KAN-AD的运作分三步，看完你就懂了：

第一步：映射阶段——数据变变变

把原始时间窗口数据，通过三类函数转换成新特征：

• 原始时间序列
• 傅里叶级数（正弦+余弦波）
• 周期增强函数（专门捕捉细微周期）

就像给数据拍了"多角度照片"，确保关键特征一个都跑不掉。

第二步：归约阶段——浓缩精华

用堆叠的1D卷积层对特征进行"提纯"，通过残差连接防止信息丢失，最后输出正常模式的近似值。这一步就像用滤镜把照片的关键元素凸显出来。

第三步：投影阶段——预测见分晓

用简单的线性层预测下一个时间点的数值，通过比较预测值和实际值判断是否异常。

实战成绩：赢麻了！

在KPI、TODS、WSD、UCR四个公开数据集上，KAN-AD把十种SOTA方法按在地上摩擦：

精度碾压

• 平均Event F1分数提升15%，在TODS数据集甚至反超27%
• 对长异常段（如UCR中300+点的异常）检测更稳定

效率感人

• 仅需274个参数！比参数最少的TranAD还少25%
• 推理速度比原始KAN快50%，手机都能跑

鲁棒性拉满

当训练数据中异常比例增加时，LSTMAD等方法性能暴跌，而KAN-AD稳如老狗：

ablation study告诉你哪个模块最关键

作者做了一组"拆零件"实验，证明每个创新都不是多余的：

1. 常数项消除模块：对KPI、TODS这类波动大的数据集，能提升5-8%的F1分数
2. 傅里叶级数完胜：比泰勒级数、切比雪夫多项式更适合异常检测
3. 多特征组合才是王道：傅里叶+周期函数的组合效果远超单一特征

不止单变量！多变量场景同样能打

把KAN-AD稍作改造（每个特征单独处理），在SMD、MSL等多变量数据集上，平均Best F1达到0.9076，参数还不到其他方法的十分之一！

写在最后

KAN-AD的成功证明：有时候"大道至简"比"叠积木"更有效。用傅里叶级数给KAN换个"发动机"，居然在精度、效率、鲁棒性上全面突破。

如果你正在做异常检测相关研究，或者需要处理工业传感器、服务器监控等时间序列数据，这个方法绝对值得一试。代码已经开源（https://github.com/CSTCloudOps/KAN-AD），快去亲手试试吧！