TAB

统一评测时间序列异常检测方法，公平对比选最优

TAB 是一个面向时间序列异常检测（TSAD）方法的统一基准测试框架，相关论文被 PVLDB 2025 接收。它解决当前异常检测领域缺乏公平、全面评估平台的问题，通过标准化数据集、评估协议和指标，让不同检测方法能在同一条件下比较。TAB 提供多种真实世界数据集，覆盖不同领域和异常类型，并实现多种主流检测算法作为基线，支持用户快速复现论文结果、评估新方法。其核心能力包括统一的评估流程、可扩展的算法接口、详细的性能报告，以及社区可贡献新数据集和算法的机制。项目以 Jupyter Notebook 为主要形式，便于交互式使用和结果可视化，适合研究人员和工程师在学术研究、工业异常检测方案选型等场景下使用。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 144

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队decisionintelligence

所属国家

官网地址

GitHubhttps://github.com/decisionintelligence/TAB

定价模式free

价格说明开源项目，无在线服务，需自行部署，完全免费。

访问状态

是否开源是

开源协议

主要语言Jupyter Notebook

技术栈/模型anomaly-detection,benchmark,deep-learning,foundation-models,statistical-learning,time-series

GitHub 星标★ 144

30天Star增速

HF 下载量

上线时间2025-06-02 00:00:00

最近更新2026-09-22 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数8

使用教程

核心亮点

提供统一的数据集、评估协议和指标，解决方法比较不公平的问题
集成多种主流检测算法作为基线，开箱即用复现论文结果
以 Jupyter Notebook 呈现，交互式操作和可视化友好

不足之处

文档/社区待观察
早期项目，生态和扩展性尚未成熟

适用场景

学术研究中对比不同异常检测算法的性能
工业场景中评估和选择合适的时间序列异常检测方案
教学演示异常检测方法和基准测试流程

替代项目

ADBench、PyOD、Merlion

项目介绍

TAB 是评测安全领域的开源项目，由 decisionintelligence 开发，2025 年首次发布。

它收录于评测安全分类，该分类目前共有 466 个项目，GitHub 星标数为 144。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-22。无在线服务，需自行部署，完全免费。

它主要面向的使用场景是：学术研究中对比不同异常检测算法的性能。同类可对比的替代方案包括 ADBench、PyOD、Merlion。

上一篇：eva

下一篇：auto_eval

TAB