GDformer：超越子序列隔离的多变量时间序列异常检测
机器学习
2026-05-26 v3
摘要
多变量时间序列的无监督异常检测是一个具有挑战性的任务，因为需要在不获取异常点的情况下推导出紧凑的检测准则。现有方法主要基于重构误差或关联发散，两者都局限于孤立的子序列，受限于时间范围，难以形成统一的序列级准则。本文提出了全局字典增强变换器（GDformer），通过修订的字典基准交叉注意力机制，培育整个序列中所有正常点共享的全局表示。因此，交叉注意力图反映了点与全局表示之间的相关性权重，这自然导致基于表示的相似性检测准则。为促进更紧凑的检测边界，引入原型来捕获正常点-全局相关性权重的分布。GDformer 在五个真实世界基准数据集上持续实现最先进的无监督异常检测性能。进一步的实验验证了全局字典在各种数据集之间具有很好的可迁移性。
引用
@article{arxiv.2501.18196,
title = {GDformer: Going Beyond Subsequence Isolation for Multivariate Time Series Anomaly Detection},
author = {Qingxiang Liu and Xiaoliang Luo and Chenghao Liu and Sheng Sun and Di Yao and Lvchun Wang and Wei Yu and Yuxuan Liang},
journal= {arXiv preprint arXiv:2501.18196},
year = {2026}
}