迈向基于语义对齐与精简交互的多模态时间序列异常检测
机器学习
2026-03-24 v1
摘要
时间序列异常检测在许多动态系统中扮演着关键角色。尽管其重要性不言而喻，以往的方法主要依赖单模态数值数据，忽视了来自其他模态的互补信息。本文提出了一种新颖的多模态时间序列异常检测模型（MindTS），该模型专注于解决两个关键挑战：（1）如何在异构多模态数据之间实现语义一致的对齐，以及（2）如何过滤冗余的模态信息以有效增强跨模态交互。针对第一个挑战，我们提出了细粒度时间-文本语义对齐。它通过跨视图文本融合和多模态对齐机制整合外生与内生文本信息，实现时间模态与文本模态之间语义一致的对齐。针对第二个挑战，我们引入了内容精简重建，它过滤对齐后文本模态中的冗余信息，并执行跨模态重建以实现交互。在六个真实世界多模态数据集上的大量实验表明，所提出的 MindTS 与现有方法相比取得了有竞争力或更优的结果。代码可在以下地址获取：https://github.com/decisionintelligence/MindTS。
引用
@article{arxiv.2603.21612,
title = {Towards Multimodal Time Series Anomaly Detection with Semantic Alignment and Condensed Interaction},
author = {Shiyan Hu and Jianxin Jin and Yang Shu and Peng Chen and Bin Yang and Chenjuan Guo},
journal= {arXiv preprint arXiv:2603.21612},
year = {2026}
}
备注
ICLR 2026