ScatterAD：时空-拓扑散射机制的时间序列异常检测
机器学习
2025-09-30 v1 人工智能
摘要
工业物联网中时间序列异常检测的主要挑战之一在于多变量数据中复杂的时空耦合。然而，传统异常检测方法侧重于独立建模空间或时序依赖，导致表示学习次优且在高维空间中对异常离散不够敏感。本文通过实证分析表明，正常样本和异常样本在高维空间中倾向于散布，尤其是异常样本呈现显著更大的离散性。我们将这种离散现象 formalized 为散射，由样本表示之间平均配对距离量化，并将其作为增强时空异常检测的归纳信号。技术上，我们提出 ScatterAD 以时序和拓扑维度建模表示散射。ScatterAD 包含用于捕获图结构散射的拓扑编码器和用于约束过度散射的时序编码器，后者通过最小化相邻时间步之间的均方误差来实现。我们引入对比式融合机制以确保所学时序和拓扑表示的互补性。此外，我们理论上表明，最大化时序与拓扑视图之间的条件互信息可提高跨视图一致性并增强更具辨识力的表示。广泛的实验表明，ScatterAD 在多组公开基准上的多变量时间序列异常检测性能居于最前。代码已提供于本仓库：https://github.com/jk-sounds/ScatterAD。
引用
@article{arxiv.2509.24414,
title = {ScatterAD: Temporal-Topological Scattering Mechanism for Time Series Anomaly Detection},
author = {Tao Yin and Xiaohong Zhang and Shaochen Fu and Zhibin Zhang and Li Huang and Yiyuan Yang and Kaixiang Yang and Meng Yan},
journal= {arXiv preprint arXiv:2509.24414},
year = {2025}
}
备注
39th Conference on Neural Information Processing Systems (NeurIPS 2025)