面向工业自动化的联邦学习多变量时间序列异常检测
机器学习
2026-05-28 v1
摘要
联邦学习（FL）拓宽了多变量时间序列异常检测（MTSAD）的视野。然而，在 FL 范式下对此类异常检测方法进行基准测试面临数据导向的挑战。现有数据集未能抵消这些挑战，因为它们未能同时提供充足的规模、准确的标签以及免于常见缺陷的自由度。此外，离散工业自动化中常见的循环过程行为的作用，目前在 MTSAD 研究中仍鲜有探讨。本文旨在为文献综述添砖加瓦并解决这些差距，通过引入一个专为循环动力学（源自离散自动化过程的重复性特征）而设计的数据集，并在所提数据集和公共基准数据集上评估所选 MTSAD 方法。
引用
@article{arxiv.2605.27486,
title = {Federated Learning for Multivariate Time Series Anomaly Detection in Industrial Automation},
author = {Khayyam Nosrati and Martin Uray and Saverio Messineo and Olaf Sassnick and Stefan Huber},
journal= {arXiv preprint arXiv:2605.27486},
year = {2026}
}
备注
Preprint. Accepted at the DEXA International Workshop on Optimisation of Industrial Production with AI Algorithms 2026 (DEXA AI4IP 2026)