M$^2$AD：通过全局评分和校准阈值的多传感器多系统异常检测
机器学习
2025-04-22 v1 人工智能
摘要
随着工业和操作系统中传感器数据的广泛可用性，我们经常遇到来自多个系统的异构时间序列。异常检测对于此类系统至关重要，以促进预测性维护。然而，大多数现有异常检测方法设计用于单变量或单系统的多变量数据，难以应对这些复杂场景。为此，我们引入 MAD—a 用于多系统多变量时间序列数据的无监督异常检测框架。MAD 采用深度模型捕获正常条件下的预期行为，使用残差作为潜在异常的指示器。这些残差通过高斯混合模型和伽马校准聚合为全局异常得分。我们理论上证明，这一框架能够有效解决跨传感器和跨系统的异构性和依赖性问题。经实证评估，MAD 在广泛测试中平均性能优于现有方法，达21%。其有效性在针对亚马逊配送中心130个资产的大规模实际案例研究中得到证明。我们的代码和结果已公开于 https://github.com/sarahmish/M2AD。
引用
@article{arxiv.2504.15225,
title = {M$^2$AD: Multi-Sensor Multi-System Anomaly Detection through Global Scoring and Calibrated Thresholding},
author = {Sarah Alnegheimish and Zelin He and Matthew Reimherr and Akash Chandrayan and Abhinav Pradhan and Luca D'Angelo},
journal= {arXiv preprint arXiv:2504.15225},
year = {2025}
}
备注
Accepted at AISTATS 2025