面向多变量时间序列异常检测与定位的低秩 Transformer
机器学习
2026-02-10 v1 机器学习
摘要
多变量时间序列异常诊断，涵盖异常检测和定位两个方面，是确保复杂大规模实际系统安全可靠的关键。现有大多数异常诊断方法在理论层面提供有限的洞见，尤其是异常定位，这是一个至关重要但几乎未被探索的领域。本文的目标是通过揭示 Transformer 应用于多变量时间序列时的学习过程与统计时间序列方法之间的关联来研究其学习过程。基于这些理论洞见，我们提出了注意力低秩 Transformer (ALoRa-T) 模型，通过对自注意力机制应用低秩正则化，并引入注意力低秩得分，有效捕捉异常的时序特征。最后，为了实现异常定位，我们提出了 ALoRa-Loc 方法，这是一种一种通过量化时间序列之间相互关系来将异常关联到特定变量的新方法。大量实验和实际数据分析表明，所提出的方法在检测和定位任务上显著优于现有最先进的方法。
关键词
引用
@article{arxiv.2602.08467,
title = {Low Rank Transformer for Multivariate Time Series Anomaly Detection and Localization},
author = {Charalampos Shimillas and Kleanthis Malialis and Konstantinos Fokianos and Marios M. Polycarpou},
journal= {arXiv preprint arXiv:2602.08467},
year = {2026}
}