被注意所惊讶：时间序列异常检测的可预测查询动力学

多变量时间序列异常通常表现为跨通道依赖性的变化，而不仅仅是振幅异常。在自动驾驶中，例如，方向盘命令可能在内部是一致的，但与随之而来的横向加速度脱钩。残差基检测器在灵活的序列模型仍能对altered coordination 复原信号时可能会错过此类异常。我们引入 AxonAD，一种无监督检测器，将多头注意力查询演化视为短期可预测过程。一个梯度更新的重构路径与一个仅使用历史信息的预测器耦合，后者从过去的上下文预测未来的查询向量。通过使用掩码预测-目标目标函数进行训练，目标编码器使用指数移动平均（EMA）。在推理阶段，重构误差与尾部聚合查询不匹配得分结合起来，该得分衡量最近时间步预测查询与目标查询之间的余弦偏差。这种双重方法在保持振幅级检测的同时，提供对结构依赖性变化的灵敏度。在具有间隔注释的专有车载遥测数据以及在 TSB-AD 多变量套件（17 个数据集、180 个时间序列）上使用无阈值和范围感知指标的实验中，AxonAD 在排名质量和时间局部化方面优于强基准。消融实验确认，查询预测和组合评分是观察到的性能提升的主要驱动因素。代码已提供，链接为 https://github.com/iis-esslingen/AxonAD。