GCAD：基于格兰杰因果性的多变量时间序列异常检测

多变量时间序列异常检测在实际应用中具有广泛意义，且受到广泛关注。建模变量之间的两两相关性至关重要。现有方法采用可学习的图结构和图神经网络来显式建模变量之间的空间依赖关系。然而，这些方法主要基于预测或重建任务，只能学习序列嵌入之间的相似关系，缺乏图结构如何影响时间序列演变的可解释性。本文设计了一个框架，通过可解释的因果关系来建模空间依赖关系，并通过因果模式的变化来检测异常。具体而言，我们提出了一种方法，用于动态发现基于非线性深度预测器中梯度的格兰杰因果性，并采用简单的稀疏化策略获取格兰杰因果图，从而从因果角度进行异常检测。在真实数据集上的实验表明，所提模型在异常检测方面优于基线方法。