中文

用于物联网系统多变量时间序列异常检测的联邦低秩Koopman学习

机器学习 2026-07-09 v1 信号处理
作者: Tung-Anh Nguyen , Van-Phuc Bui , Anh Tuyen Le , Kim Hue Ta , Minh Thuy Le , J. Andrew Zhang , Xiaojing Huang
在 arXiv 上查看 ↗ PDF ↗

摘要

分布式物联网系统生成多变量时间序列流，用于监控物理资产、服务器和嵌入式传感平台。检测异常的时间行为对于故障诊断、预测性维护和安全至关重要。然而，实际的物联网异常检测受到数据分散且非独立同分布、带宽有限以及边缘设备计算和内存受限的阻碍。本文提出了FedKAD，一个用于分布式物联网多变量时间序列的资源高效型联邦Koopman异常检测框架。与需要训练和通信大型神经模型的基于深度学习的异常检测器不同，FedKAD通过轻量级的滑动窗口Koopman表示来学习正常的时序动态。联邦训练被表述为一个低秩共识问题，其中原始传感器流和局部约简动态保留在设备上，只有紧凑的子空间变量与服务器交换。为了在正交性约束下优化共享表示，我们开发了一种联邦Stiefel-ADMM算法，并提供了在部分客户端参与下的收敛性和平稳性分析。在推理过程中，每个客户端通过测量观测到的未来轨迹与学习到的Koopman动态之间的预测残差来本地检测异常。在四个广泛使用的多变量时间序列异常检测基准上的实验表明，与联邦深度学习基线相比，FedKAD保持或提高了检测性能。更重要的是，对于物联网部署，FedKAD比神经基线提供了高达2.1×1032.1\times10^3倍的训练加速、80×80\times的通信量降低和79×79\times的推理延迟降低，证实了其适用于资源受限的边缘设备。

关键词

联邦学习 Koopman算子 异常检测 多变量时间序列 物联网系统 低秩共识 Stiefel-ADMM

引用

@article{arxiv.2607.08978,
  title  = {Federated Low-Rank Koopman Learning for Multivariate Time-Series Anomaly Detection in IoT Systems},
  author = {Tung-Anh Nguyen and Van-Phuc Bui and Anh Tuyen Le and Kim Hue Ta and Minh Thuy Le and J. Andrew Zhang and Xiaojing Huang},
  journal= {arXiv preprint arXiv:2607.08978},
  year   = {2026}
}