因果感知对比学习用于鲁棒的多元时间序列异常检测
机器学习
2025-06-05 v1 人工智能
摘要
利用多元时间序列中复杂的变量间因果关系为实现更鲁棒和可靠的多元时间序列异常检测(MTSAD)提供了有前景的途径，但仍然是一个研究不足的领域。本文提出了因果感知对比学习用于鲁棒多元时间序列(CAROTS)，一种将因果概念融入对比学习的新型MTSAD流程。CAROTS采用两种数据增强器分别获取因果保持和因果扰动样本，分别作为正常变化的广泛范围和合成异常。以因果保持样本为正样本、因果扰动样本为负样本，CAROTS通过对比学习训练一个编码器，其潜在空间基于因果关系分离正常和异常样本。此外，CAROTS引入了一种相似性过滤的单类对比损失，鼓励对比学习过程逐渐纳入更多具有共同因果关系的语义多样化样本。在五个真实数据集和两个合成数据集上的广泛实验验证了因果关系的整合赋予CAROTS增强的MTSAD能力。代码可在 https://github.com/kimanki/CAROTS 获取。
引用
@article{arxiv.2506.03964,
title = {Causality-Aware Contrastive Learning for Robust Multivariate Time-Series Anomaly Detection},
author = {HyunGi Kim and Jisoo Mok and Dongjun Lee and Jaihyun Lew and Sungjae Kim and Sungroh Yoon},
journal= {arXiv preprint arXiv:2506.03964},
year = {2025}
}
备注
Accepted to ICML 2025