基于 Transformer 的多变量时间序列异常局部化
机器学习
2026-02-04 v2
摘要
随着 cyber-physical 系统(CPS)和物联网(IoT)的日益复杂，传感器用于在线监控生成大量多变量时间序列(MTS)数据。因此，对 MTS 进行稳健的异常诊断对于维护系统可靠性和安全性至关重要。尽管在异常检测方面取得了显著进展，但在异常局部化方面仍鲜有探索，尽管这对于智能决策至关重要。本文引入一种新颖的基于 Transformer 的模型，用于 MTS 的无监督异常诊断，侧重于提高局部化性能，通过深入分析自注意力机制在正常和异常条件下的学习行为。我们将异常局部化问题表述为三个阶段的过程：时间步、窗口和分段。基于此，发展了空间时间异常得分(STAS)，这是一种新颖的度量标准，灵感来自 Transformer 潜在表示与时空统计模型之间的联系。STAS 旨在捕捉单个异常行为和跨系列依赖关系，实现增强的局部化性能。此外，统计特征异常得分(SFAS)通过分析异常周围的统计特征来补充 STAS，其组合有助于减少误报。在真实数据集和合成数据集上的实验表明，该模型在检测和局部化任务中优于最先进的方法。
引用
@article{arxiv.2501.08628,
title = {Transformer-based Multivariate Time Series Anomaly Localization},
author = {Charalampos Shimillas and Kleanthis Malialis and Konstantinos Fokianos and Marios M. Polycarpou},
journal= {arXiv preprint arXiv:2501.08628},
year = {2026}
}