基于稳健多视图通道图检测器的多变量时间序列异常检测归纳偏置基准测试
机器学习
2026-05-28 v1 计算机科学与博弈论
摘要
我们提出了一项统一的实验、分析和基准测试研究，聚焦于多变量时间序列(MTS)异常检测。十个具有代表性的检测器——涵盖统计、重建、关联、频率和通用转换五大家族——在五个数据集(SMD, MSL, SMAP, PSM, 和 MSDS)上进行有效性、效率、鲁棒性和跨数据集泛化评估。所有方法共享相同的分块、评分、硬件和指标协议。有效性、消融和鲁棒性使用三个随机种子；跨数据集迁移使用种子~0，因为每个额外种子需要250次源-目标评估。基准测试揭示了三项方法无关的发现：没有单一偏置基准占据主导；绝对扰动VUS-ROC比保留比率更具信息量；MSDS表现为事件稠密部署工作负载而非稀疏点异常基准。在此协议下，我们还引入了\ours{}，一种结合NOTEARS约束的有向通道图视图，可选patch注意力和时序关联视图的自适应检测器。\ours{}在宏平均VUS-ROC上取得最佳表现(0.675，比第二名的LSTM-AE高出5.1个百分点)，总体排名第一，在所有五个数据集中进入前三名。其在MSL和MSDS上的胜出较窄，而平均和鲁棒性提升更大：在所有方法下相同三个种子的鲁棒性协议下，\ours{}获得所有噪声、通道丢弃和时间偏移扰动中最强的绝对VUS-ROC。我们发布了MSDS预处理协议、配置、脚本以及种子级指标数据。
引用
@article{arxiv.2605.28103,
title = {Benchmarking Inductive Biases for Multivariate Time-Series Anomaly Detection with a Robust Multi-View Channel-Graph Detector},
author = {Junhao Wei and Yanxiao Li and Bidong Chen and Yifu Zhao and Haochen Li and Dexing Yao and Baili Lu and Xudong Ye and Jietian Feng and Sio-Kei Im and Yapeng Wang and Xu Yang},
journal= {arXiv preprint arXiv:2605.28103},
year = {2026}
}