Fourier-KAN-Mamba：一种用于时间序列异常检测的新型状态空间方程方法
机器学习
2026-04-14 v2 信号处理
摘要
时间序列异常检测在诸多实际应用中发挥着关键作用，包括工业监控和故障诊断。最近，基于Mamba的状态空间模型在长序列建模方面显示出惊人的效率。然而，直接将Mamba应用于异常检测任务仍面临捕捉复杂时序模式和非线性动力学的挑战。本文提出了Fourier-KAN-Mamba，这是一种新型的混合架构，将傅里叶层、Kolmogorov-Arnold网络(KAN)和Mamba选择性状态空间模型相结合。傅里叶层提取多尺度频率特征，KAN增强了非线性表示能力，时序门控控制机制进一步提高了模型区分正常与异常模式的能力。在MSL、SMAP和SWaT数据集上的大量实验表明，我们的方法显著优于现有的方法。
引用
@article{arxiv.2511.15083,
title = {Fourier-KAN-Mamba: A Novel State-Space Equation Approach for Time-Series Anomaly Detection},
author = {Xiancheng Wang and Lin Wang and Rui Wang and Zhibo Zhang and Minghang Zhao},
journal= {arXiv preprint arXiv:2511.15083},
year = {2026}
}
备注
We request withdrawal because we identified a flaw in the theoretical analysis of the anomaly-score identification mechanism. This part was supported mainly by metric observations without sufficient visual or empirical verification, which may affect the reliability of the related conclusions