用于多变量时间序列在线异常检测的簇感知因果 Mixer
机器学习
2025-06-03 v1 机器学习
摘要
鉴于与误报或漏报相关的重大风险，早期且准确地检测时间序列数据中的异常至关重要。虽然基于 MLP 的 mixer 模型在时间序列分析中显示出前景，但它们缺乏保持系统固有时间依赖性的因果性机制。此外，现实世界的多变量时间序列通常包含众多具有不同通道间相关性的通道。对所有通道使用单一嵌入机制无法有效捕捉这些复杂关系。为了应对这些挑战，我们提出了一种新颖的簇感知因果 mixer，以有效检测多变量时间序列中的异常。我们的模型根据相关性将通道分组为簇，每个簇通过专用的嵌入层进行处理。此外，我们在模型中引入了因果 mixer，它在保持因果性的同时混合信息。并且，我们提出了一种异常检测框架，该框架随时间累积异常证据，以防止因名义异常值导致的误报。我们提出的模型以在线方式运行，使其适用于实时时间序列异常检测任务。在六个公开基准数据集上的实验评估表明，我们的模型持续取得更优的 F1 分数。
引用
@article{arxiv.2506.00188,
title = {Cluster-Aware Causal Mixer for Online Anomaly Detection in Multivariate Time Series},
author = {Md Mahmuddun Nabi Murad and Yasin Yilmaz},
journal= {arXiv preprint arXiv:2506.00188},
year = {2025}
}