POST：先验-观察对抗学习的时空关联用于多变量时间序列异常检测
人工智能
2026-05-19 v1
摘要
现有的多变量时间序列异常检测(MTSAD)框架越来越依赖将图神经网络(GNN)与序列模型集成，以捕获复杂的时空依赖关系。然而，较少关注空间过度泛化问题，即在结构建模不受约束的情况下不加区分地重建异常值，这不可避免地会降低检测召回率。为解决这一问题，我们提出了一种新框架，通过联合先验-观察对抗学习范式来统一时空建模。在空间维度上，该模型交替学习邻接矩阵作为结构先验，并以对抗方式建模先验与数据驱动观察之间的关联差异。在训练期间进行这种对抗优化，不仅提高了模型对时序检测的灵敏度，还使模型能够将异常局部分析到特定通道。为系统评估这种异常局部分析能力，我们进一步构建了一个配备精确通道级注释的合成基准。广泛的实验结果表明，在公共数据集和我们专门构建的基准上，该框架在时序检测和空间局部分析任务上均建立了新的最佳性能。我们的代码、预训练模型和基准已在 https://github.com/anocodetest1/POST 上公开。
关键词
引用
@article{arxiv.2605.18128,
title = {POST: Prior-Observation Adversarial Learning of Spatio-Temporal Associations for Multivariate Time Series Anomaly Detection},
author = {Suofei Zhang and Yaxuan Zheng and Haifeng Hu},
journal= {arXiv preprint arXiv:2605.18128},
year = {2026}
}