CICADA：面向多变量时间序列异常检测与自适应的跨域可解释编码
机器学习
2025-05-02 v1
摘要
无监督时间序列异常检测在工业应用中扮演着关键角色。然而，现有方法因不同领域间的数据分布偏移而面临重大挑战，而时间序列的非平稳性进一步加剧了这一问题。现有模型无法在多个异构源域和新兴的未见目标域下进行泛化。为填补这一研究空白，我们提出了 CICADA（跨域可解释编码用于异常检测与自适应），其包含四项关键创新：(1) 一个混合专家（MOE）框架，以高灵活性和可解释性捕获领域无关的异常特征；(2) 一种新颖的选择性元学习机制，以防止不相似领域间的负迁移；(3) 一种针对新兴异构领域扩展的自适应扩展算法；(4) 一种层次化注意力结构，在融合过程中量化专家贡献，以进一步增强可解释性。在合成和真实工业数据集上的大量实验表明，CICADA 在跨域检测性能和可解释性方面均优于最先进的方法。
引用
@article{arxiv.2505.00415,
title = {CICADA: Cross-Domain Interpretable Coding for Anomaly Detection and Adaptation in Multivariate Time Series},
author = {Tian Lan and Yifei Gao and Yimeng Lu and Chen Zhang},
journal= {arXiv preprint arXiv:2505.00415},
year = {2025}
}