无监督训练流程
无监督训练和有监督训练的区别在于没有标签，数据不需要提前标注。之所以采用无监督训练，是因为异常检测领域中异常数据往往是很少的。如果采用有监督训练，那么会优先学习正常数据的分布，就无法识别异常。
采用无监督训练，一种常见的策略是重建。我们这里以设备监控为例，一台设备在100个连续时刻采集了5个传感器的数据，这样的数据为一个样本。一共采集10个这样的数据。输入维度为（10，100，5）
模型的输出是重构后的时序数据，与原始的数据比较后，计算Loss，反向传播更新参数。设定阈值，假设超过阈值的就是异常，就判定哪个时刻，哪个传感器的值是异常的。
无监督和自监督的区别
深度学习中，自监督(self-supervised)和无监督(unsupervised)有什么区别？ - Zarathustra的回答 - 知乎
https://www.zhihu.com/question/329202439/answer/2786160932
自监督学习与无监督学习，这二者就是一样的
评价指标
混淆矩阵是分类任务中评价指标很重要的概念。
Positive/Negative 表示的预测结果，前面的True/False表示预测的结果是否为真。
- True Positive(真正, TP)：预测正样本正确
- True Negative(真负 , TN)：预测负样本正确
- False Positive(假正, FP)：预测正样本错误
- False Negative(假负 , FN)：预测负样本错误
准确率
预测正确的结果占所有样本的比例
Accuracy = (TP + TN) / (TP + TN + FP +FN)
精确率
预测Positive的成功率占多少
Precision = TP / (TP + FP)
衡量模型的预测可靠性。准确率高意味着模型“宁可漏检，也不错检”。
召回率
所有正样本中，被正确预测占多少
Recall = TP / (TP + FN)
衡量模型的覆盖能力。召回率高意味着模型“宁可错检，也不漏检”。
为什么在异常样本较少时，大多采用无监督而非有监督
有监督学习为什么不行
核心问题：损失函数设计
有监督依赖交叉熵损失函数优化，目的是最大化正确分类的概率（学习正常和异常的边界）。当异常样本极少时（如占比1%以下），损失函数会被正常样本主导，导致模型偏向预测所有样本为正常类别。无法学习异常特征。
模型直接学习“将所有样本预测为正常”的简单策略，准确率可能高达99%，但对异常完全无效。
无监督的策略
无监督方法（如自编码器）通过重构正常数据分布检测异常，其核心逻辑与有监督完全不同：
无监督对正常数据进行密度估计；数学本质是概率密度函数；
如果任务是重构，那么训练目标就是最小化预测结果和输入的差异。
无监督仅仅优化正常样本的重构误差，模型专注于正常样本的分布，只要偏离正常分布，异常自然检测到。
传统无监督存在的问题
如果采用基本的MSE作为loss函数，因为正常数据量太大，导致被正常样本主导，可能过拟合。如果正常样本周围出现噪声，那么有可能因为重构误差大而被判定为异常。
还有一种可能是MSE只从”点“的角度评估，忽略了时序的关联性。比如心跳具有周期性，单点值可能是正常的，但是异常房颤表现为周期紊乱，可能无法捕捉周期性异常。
一般提高准确率通常会导致召回率下降，反之亦然
总样本：1000
异常样本(Positive)：10
正常样本(Negative)：990
如果模型将所有样本都预测为正常（Negative）
TP:0 (没有检测到任何异常)
FN:10 （所有异常都被漏检）
FP:0 （没有误报）
TN:990 （所有正常样本都被识别）
召回率就是0，精确率因为分母也为0，没有意义。实际上可能有少数是误报的。
显示关联建模（Explicit Association Modeling）
直接定义和量化时间序列内部或不同变量之间的关联关系来进行异常检测的方法。这类方法的核心是人为设定或数学化描述变量间的相互作用模式（如线性关系、状态转移、图连接等），而非依赖神经网络等黑箱模型隐式学习关联。
典型方法有：向量自回归、状态空间模型、基于图的方法
与隐式关联建模（如深度学习相比），显示关联建模可解释性高、计算成本低。但是不适用非线性关系场景。
尽管显式方法在复杂场景中被神经网络取代，但其思想仍被借鉴：
图神经网络（GNN）：
结合显式图结构与隐式特征学习，如用Transformer建模时空图（如STGNN）。
可解释性AI：
在神经网络中引入显式关联约束（如稀疏注意力、因果掩码），增强可解释性。
混合建模：
用VAR捕捉线性趋势，用LSTM拟合非线性残差，提升预测鲁棒性。
