基于图神经网络的时间序列异常检测：开源框架与批判性评估
机器学习
2026-03-11 v1 人工智能
摘要
越来越多地将图基方法应用于时间序列异常检测 (TSAD)，尤其是图神经网络 (GNNs)，因为它们能够自然地建模多个信号之间的依赖关系。GNNs 通常作为基于得分的 TSAD 流水线的 backbone，通过重建或预测误差 followed by阈值化来识别异常。然是，尽管已取得令人期待的结果，领域仍缺乏标准化的评估框架，且存在指标设计和解释的持续问题。因此，我们提出一个用于 TSAD 的开源框架，基于 GNNs，旨在支持跨数据集、图结构和评估策略的可重复实验。该框架注重灵活性和可扩展性，促进 TSAD 模型之间的系统比较，并 enables 对性能和可解释性进行深入分析。通过该工具，我们在两个具有不同结构特征的真实数据集上评估了多个 GNN 架构以及基线模型。我们的结果表明，GNNs 不仅能够提高检测性能，而且在可解释性方面也取得显著提升，这对于实际诊断尤为重要。我们还发现，注意力机制的 GNNs 在图结构不确定或推断时具有鲁棒性。此外，我们反思了 TSAD 中常见的评估实践，展示了某些指标和阈值化策略如何掩盖有意义的比较。总体而言，本工作既为图基 TSAD 系统的开发和评估提供了实用工具，也提供了批判性见解。
引用
@article{arxiv.2603.09675,
title = {GNNs for Time Series Anomaly Detection: An Open-Source Framework and a Critical Evaluation},
author = {Federico Bello and Gonzalo Chiarlone and Marcelo Fiori and Gastón García González and Federico Larroca},
journal= {arXiv preprint arXiv:2603.09675},
year = {2026}
}