因果约束的概率性时间序列异常检测
机器学习
2026-04-21 v1
摘要
多变量时间序列异常检测是工业监控中的核心挑战，因为故障常源于复杂的时序动力学和跨传感器相互作用。虽然近期深度学习模型，包括图神经网络和Transformer，已在实证方面显示出强大的性能，但大多数方法仍主要是相关性的，为何解释和根因定位提供有限支持。本研究引入一种因果约束的概率性预测框架，即Causally Guided Transformer(CGT)模型，用于多变量时间序列异常检测，将显式时滞因果图先验与深度序列建模集成。对于每个目标变量，专用的预测模块采用源于因果发现的硬性父节点掩码限制主要预测路径仅包含受图支持的原因，而潜在高斯头部捕获预测不确定性。为充分利用残余相关信息而不损害因果表示，采用带有停止梯度隔离的阴影辅助路径和安全门控混合机制，以压制可靠性较低时的非因果贡献。通过带有自适应流式阈值的负对数似然得分识别异常，并通过每个维度的概率归因和反事实夹持确定根因变量。在ASD和SMD基准测试中，本方法实现了最先进的检测性能，ASD上的F1得分达到96.19%，SMD上达到95.32%，并提升了变量层级归因质量。这些发现表明，因果结构先验可提高多变量传感器系统中深层异常检测的鲁棒性和可解释性。
关键词
引用
@article{arxiv.2604.17998,
title = {Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection},
author = {Pooyan Khosravinia and João Gama and Bruno Veloso},
journal= {arXiv preprint arXiv:2604.17998},
year = {2026}
}
备注
This work is currently under review for possible publication in the IEEE Access journal. All intellectual property rights are retained by IEEE