可解释的多变量时间序列异常检测的结构化时序因果性
机器学习
2025-10-21 v1 人工智能
机器学习
摘要
现实世界的多变量时间序列异常值稀有且常常无标签。此外，先前的方法依赖于不断复杂化的架构以调优基准测试，仅检测异常片段，夸大了性能。本文引入了 OracleAD，一个简单且可解释的无监督多变量时间序列异常检测框架。OracleAD 将每个变量的过去序列编码为单个因果嵌入，以联合预测当前时间点和重构输入窗口，有效地建模了时序动力学。这些嵌入随后经过自注意力机制投射到共享潜空间，以捕捉空间关系。这些关系并非静态的，因为它们由从每个变量的时序动力学中产生的属性所建模。投影后的嵌入对代表正常状态关系的稳定潜结构 (SLS) 进行对齐。通过基于预测误差和偏离 SLS 的双重评分机制识别异常，使我们能够在每个时间点以及跨单个变量上实现细粒度的异常诊断。由于任何显著的 SLS 偏离都源于违反正常数据所学习的时序因果性的嵌入，OracleAD 直接在嵌入级别 pinpoint 根本原因变量。OracleAD 在多个真实数据集和评估协议上实现了最先进的结果，同时通过 SLS 保持可解释性。
引用
@article{arxiv.2510.16511,
title = {Structured Temporal Causality for Interpretable Multivariate Time Series Anomaly Detection},
author = {Dongchan Cho and Jiho Han and Keumyeong Kang and Minsang Kim and Honggyu Ryu and Namsoon Jung},
journal= {arXiv preprint arXiv:2510.16511},
year = {2025}
}
备注
Accepted by NeurIPS 2025