基础模型的误差为何漏掉异常
时间序列基础模型（TSFM）的预训练目标是重建或预测宽泛的时间模式，而常见的异常检测做法直接复用其重建或预测误差作为异常分数：某个时间戳的误差越大，就被认为越异常。论文认为，这一假设在基础模型上不再成立。由于 TSFM 被训练来建模一般性的时间结构，它们对罕见的异常模式也能建模得和正常模式差不多，于是异常被准确重建或预测，误差依然很小。
论文在 PSM 数据集上展示了这一点：原始 MOMENT 和 Chronos 给出的正常与异常观测异常分数分布高度重叠，使阈值难以选取。作者还在附录中对这种过度泛化问题给出了理论分析。这正是 NCL 要解决的问题，它把实际问题从“哪个基础模型最好”转变为“如何阻止一个优秀的基础模型把异常解释掉”。
冻结主干而非微调
一个自然的替代方案是为异常检测微调 TSFM，但论文认为这会带来灾难性遗忘的风险，丢失基于误差的评分机制仍然依赖的丰富时间知识。因此 NCL 选择了另一条路径：完全不修改预训练参数，而是在冻结的主干之上加一个轻量模块，从而在保留通用时间表示的同时，把输出引向正态状态。
这一设计选择带来了可测量的效率后果。由于 TSFM 主干被冻结、只优化轻量的投影头，NCL 的参数更新开销极小。在 MOMENT 上，NCL 约 2.59 秒完成训练，而 LoRA 需要 2.71 秒，CoRA 需要 3.32 秒。论文指出一个例外：在基于重建的 TSFM（如 MOMENT 和 UniTS）上，NCL 的可训练参数略多于 LoRA，因为重建覆盖整条序列，最后的线性头因此引入更多参数。论文报告 NCL 在几乎所有被测 TSFM 上训练时间最快，作者认为这对需要频繁更新模型的部署场景很有吸引力。
用少量正常 patch 构建正态子空间
NCL 由三个组件实现：NormSpace、PatchNT 和 ConNC。NormSpace 从少量正常 patch 特征中构建一个紧凑的正态子空间。论文的理论分析认为这种少样本构建已经足够：正常 patch 特征被假定位于一个具有非平凡谱隙的低维子空间，结合矩阵集中不等式与 Davis–Kahan 定理，从有限正常 patch 估计出的前导奇异子空间会收敛到总体正态子空间，估计误差以 O(N^-1/2) 下降。换言之，相对少量的正常样本就足以给出可靠的正态空间估计。
第二个理论结果针对该构建中使用的 top-k 截断。论文把观测数据视为干净数据加白噪声，证明最小化干净矩阵的重建误差等价于最小化对观测矩阵的误差，并根据 Eckart–Young–Mirsky 定理，最佳秩 k 最小二乘估计就是 top-k 截断奇异值近似。这正是只保留前导方向、而非使用完整特征空间的依据。
把 patch 特征拉向正态
PatchNT 在子空间内自适应地把每个 patch 特征拉向正态。该变换被写为对单位矩阵的秩一扰动，论文的谱分析表明，它保持所有与所选方向正交的分量不变，只把沿该方向的投影按 (1 - beta_i) 缩放。可学习参数 alpha_i 和 beta_i 控制几何行为：beta_i 接近零时保留旧信息，beta_i 等于一时用正态目标替换投影，beta_i 大于一时则反向过度校准。由于每个 patch 特征涉及的正态程度不同，这些参数可以自适应地在欠校正、适度校正和过度校正之间选择。
ConNC 即对比正态约束，它塑造子空间，使变换后的视图形成紧凑且具判别性的正态流形。论文的分析指出它还起到防止异常过拟合的正则化作用：对比损失强制一个间隔，使正常特征紧密聚集在各自中心周围，簇间距离至少比簇内距离大 gamma。如果某个异常 patch 特征含有与所有正态方向都正交的分量，投影无法消除它们，间隔约束不满足，损失为零，也就不发生参数更新。正是这一机制阻止模块去适应异常模式。
融合校准特征放大异常误差
校准后的特征被聚合以强化正常成分，然后与原始 TSFM 输出融合。融合预测是 NCL 预测与冻结模型预测的加权组合，由 lambda 控制混合比例。论文的理论论证有两面。在正常数据上，假定冻结模型和 NCL 模块都取得小误差，则融合预测误差被这两个小误差的凸组合所界定，因此正态性得以保持。在异常数据上，该变换把异常输入推离预训练模型表现良好的邻域，于是变换后输入的预测误差增大。
在所述假设下，论文推导出异常上的融合误差超过冻结模型在异常上的误差，这正是“融合会放大正常与异常观测差异、从而利于基于误差的评分”这一说法的形式化版本。经验上的对应体现在分数分布上：NCL 使基于重建和基于预测的两类 TSFM 在 PSM 上都能给出判别性明显更强的异常分数，另有可视化报告称 NCL 在不同 TSFM 和数据集上拉大了正常与异常分数分布之间的差距。
NCL 在何处胜过深度方法与简单基线
在十个数据集以及包括 A-P、R-A-P 和 VUS-PR 在内的精确率-召回率指标上，UniTS+NCL 取得 2.13 的平均排名，领先于 CroAD 的 5.13 和 TsNet 的 6.27。论文把这一点归因于泛化能力：传统深度 TSAD 方法必须为每个新数据集从头训练，而 NCL 只需少量正常样本就能适配预训练 TSFM。当训练数据稀缺或获取成本高昂时，这一区别最为关键。
与平凡基线的对比更微妙，也更有信息量。简单的滑动窗口方差基线 Var-100 达到 4.00 的平均排名，甚至在 UCR 和 MSL 上取得最佳 A-P 分数，超过若干复杂深度方法。论文报告这与近期观察一致，即许多现有方法无法击败平凡基线。面对这些基线，原始 Chronos 在一对一比较中对 Last-1 仅赢约 52%，原始 MOMENT 对 Var-96 仅赢 34%，p 值为 0.4306。应用 NCL 后，Chronos+NCL 对 Last-1 达到 31%，对 Last-3 达到 33%，对 Centered-5 达到 35%，对 Centered-5 的 p 值为 0.0002；MOMENT+NCL 提升到对 Var-96 为 40%，对 Var-256 为 40%，对 Var-512 为 43%，对 Var-96 的 p 值降至 0.0303。这些比较覆盖来自十个 TSAD 数据集的 361 条时间序列。
简单基线仍然胜出的情形
论文明确指出 NCL 并非处处获胜。存在一些时间序列，简单基线优于 NCL 增强的 TSFM，作者将其归因于两种情况。第一种是具有极简单周期模式的时间序列，单行方法在此天然占优。第二种是训练样本非平稳的时间序列，此时正态子空间的构建变得不稳定。论文提出平稳化处理策略作为未来工作方向。
这一边界是效率与准确率结果的实践对应面。NCL 的优势来自用少量正常 patch 估计正态子空间，因此其表现取决于这些正常样本是否真正代表稳定的正常结构。论文报告的非平稳训练样本下的不稳定性因此不是边缘性提醒，而是对方法核心机制可信范围的一项直接限制。
选择 NCL 前需要确认什么
本文中最具决策相关性的比较不是 NCL 对深度 TSAD 方法——那里的平均排名差距很大——而是 NCL 对平凡基线，那里的优势更窄且依赖数据集。如果目标序列具有极简单的周期结构，方差基线可能已经具备竞争力，论文自身结果显示 Var-100 达到 4.00 的平均排名。当冻结 TSFM 的异常分数在正常与异常观测之间高度重叠、只有少量正常样本可用于适配、且频繁更新模型使训练成本变得重要时，采用 NCL 的理由最强。
第二件需要确认的事是正常参照本身的稳定性。由于正态子空间由少量正常 patch 特征估计而来，非平稳训练样本会使该估计不稳定，论文也指出这正是简单基线可能胜出的情形。因此，采用 NCL 前的实际优先事项是核实两个条件：可用的正常样本是否代表稳定的正常结构，以及要超越的基线是否是强平凡基线，而不只是一个从头训练的深度 TSAD 方法。
本文引用的文献
Normality Constraint Learning: Adapting Foundation Models for Time Series Anomaly Detection
NCL 是一个轻量、即插即用的框架，它冻结预训练 TSFM，并将其宽广的模式空间约束到目标序列的正常结构上，在多种 TSFM 家族和基准上持续提升异常检测性能。