用于多元时间序列异常检测的熵因果图
机器学习
2025-08-11 v2 人工智能
摘要
目前已有许多多元时间序列异常检测框架被提出并得到广泛应用。然而，这些框架大多未考虑多元时间序列数据中变量间的内在关系，从而忽略了变量间的因果关系，导致异常检测性能下降。本文提出了一种名为 CGAD 的新型框架，即用于多元时间序列异常检测的熵因果图。CGAD 利用转移熵构建图结构，揭示时间序列数据间潜在的因果关系。采用加权图卷积网络结合因果卷积，对多元时间序列数据中的因果图结构和时间模式进行建模。此外，CGAD 利用基于中位数绝对偏差的归一化方法进行异常评分，以提高异常识别过程的鲁棒性。大量实验表明，CGAD 在真实世界数据集上优于 state-of-the-art 方法，在三种不同的多元时间序列异常检测指标上平均提升了 9%。
引用
@article{arxiv.2312.09478,
title = {Entropy Causal Graphs for Multivariate Time Series Anomaly Detection},
author = {Falih Gozi Febrinanto and Kristen Moore and Chandra Thapa and Mujie Liu and Vidya Saikrishna and Jiangang Ma and Feng Xia},
journal= {arXiv preprint arXiv:2312.09478},
year = {2025}
}
备注
25 pages, 8 figures