Physics-Informed Diffusion Models for Unsupervised Anomaly Detection in Multivariate Time Series
Fraunhofer IOSB-INA（弗劳恩霍夫研究所）
本文提出一种基于物理信息扩散模型的多元时间序列无监督异常检测方法，通过加权物理信息损失学习物理依赖的时间分布，实验表明其在F1分数、数据多样性和对数似然上优于基线及纯数据驱动扩散模型。
2025-08-15 cs.LG
RoLA: A Real-Time Online Lightweight Anomaly Detection System for Multivariate Time Series
Hogskulen pa Vestlandet (HVL)（西挪威大学学院）；Norwegian University of Science and Technology（挪威科技大学）
本文提出RoLA系统，通过分治策略、并行处理和多数表决规则，利用多个轻量级检测器实时在线检测多变量时间序列异常，并在公开数据集上验证了其检测精度与轻量级性能。
2023-05-25 cs.LG
Deep Federated Anomaly Detection for Multivariate Time Series Data
University of Rochester（罗切斯特大学）；University of Connecticut（康涅狄格大学）；NEC American Lab（NEC美国实验室）
尽管已经针对多变量时间序列数据开发了许多异常检测方法，但是在联合设置上已经做出了有限的努力，在联合设置中，多变量时间序列数据在不同的边缘设备之间不均匀地分布，同时数据共享被禁止。在本文中，我们研究了联邦无监督异常检测的问题，并提出了一个基于联邦样本的深度神经网络（Fed-ExDNN）进行异常检测的多元时间序列数据在不同的边缘设备。具体来说，我们首先设计了一个基于范例的深度神经网络（ExDNN），以学习本地时间序列表示，基于它们与范例模块的兼容性，该模块由学习捕获每个边缘设备上各种正常模式的隐藏参数组成。然后，在集中式服务器上采用约束聚类机制（FedCC）对不同局部样本模块的参数进行对齐和聚合，得到统一的全局样本模块。最后，将全局样本模块与共享特征编码器一起部署到每个边缘设备，并通过检查测试数据与样本模块的兼容性来进行异常检测。Fed-ExDNN通过ExDNN捕获本地正常时间序列模式，并通过FedCC聚合这些模式，从而可以同时处理分布在不同边缘设备上的异构数据。对六个公共数据集的彻底实证研究表明，ExDNN和Fed-ExDNN可以超越最先进的异常检测算法和联邦学习技术。
2022-05-09 cs.LG
GSLAD: Prototype-Regularized Graph Structure Learning for Multivariate Time Series Anomaly Detection
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
GSLAD通过原型正则化图结构学习，利用结构偏差进行异常评分，在工业基准上验证了其有效性和诊断能力。
2026-09-15 cs.LG
Anomaly Detection for Sparse and Irregular Multivariate Time Series with Latent SDEs
Josef Ressel Centre for Intelligent and Secure Industrial Automation, University of Applied Sciences, Salzburg, Austria（约瑟夫·雷斯尔智能与安全工业自动化中心，应用科学大学，萨尔茨堡，奥地利）；University of Salzburg, Austria（萨尔茨堡大学，奥地利）
针对现实世界中稀疏、不规则采样的多元时间序列，提出基于潜在随机微分方程的生成方法，将观测投影到连续时间随机动力系统，处理缺失和不规则采样，并捕获循环行为，在六个基准数据集上取得最优结果。
2026-06-18 cs.LG
Coupled Attention Networks for Multivariate Time Series Anomaly Detection
针对多元时间序列中传感器变量依赖动态变化的异常检测难题，提出融合自适应图学习与图注意力的耦合注意力网络CAN，结合多级编解码架构，在真实数据集上性能显著优于现有最优基线。
2023-06-12 cs.LG
Towards Meaningful Anomaly Detection: The Effect of Counterfactual Explanations on the Investigation of Anomalies in Multivariate Time Series
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
检测罕见事件在各个领域都是必不可少的，例如，在网络安全或维护方面。通常，人类专家由异常检测系统支持，因为连续监视数据是一项容易出错且繁琐的任务。然而，在检测到的异常中可能有罕见的事件，例如，机器的计划停机，但不是实际关注的事件，例如，机器的故障。因此，需要人类专家来验证检测到的异常是否相关。我们建议通过提供异常检测的解释来支持这种异常调查。相关工作只关注可解释异常检测的技术实现，而忽略了后续的人为异常调查。为了解决这一研究空白，我们进行了一项行为实验，使用纽约市的出租车乘坐记录作为测试平台。要求参与者将极端天气事件与其他异常事件（如假期或体育赛事）区分开来。我们的研究结果表明，提供反事实的解释，提高了调查的异常，表明潜在的解释异常检测一般。
2023-02-07 cs.LG
Prospective Multi-Graph Cohesion for Multivariate Time Series Anomaly Detection
University of Waterloo（滑铁卢大学）
本文提出前瞻性多图凝聚框架PMGC，通过融合长期静态图与短期动态图并引入前瞻性构图策略，提升多变量时间序列异常检测性能。
2025-09-21 cs.LG
Adversarial-Robust Multivariate Time-Series Anomaly Detection via Joint Information Retention
McGill University（麦吉尔大学）；MILA - Quebec AI Institute（MILA - 魁北克人工智能研究所）
本文提出ARTA框架，通过对抗训练提升时间序列异常检测的鲁棒性，实验表明其在多种数据集上表现优异，噪声增加时降解更温和。
2026-03-26 cs.LG
TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data
Imperial College London（帝国理工学院）；Loughborough University（拉夫堡大学）
多变量时间序列数据的有效异常检测与诊断对于现代工业应用具有重要意义。然而，建立一个能够快速准确地查明异常观测的系统是一个具有挑战性的问题。这是由于缺乏异常标签，高数据波动性和现代应用中超低推理时间的需求。尽管用于异常检测的深度学习方法最近有所发展，但只有少数方法可以解决所有这些挑战。在本文中，我们提出了TranAD，一个基于深度Transformer网络的异常检测和诊断模型，该模型使用基于注意力的序列编码器，利用数据中更广泛的时间趋势知识快速进行推理。TranAD使用基于焦点分数的自调节来实现鲁棒的多模态特征提取和对抗训练以获得稳定性。此外，与模型无关的元学习（MAML）允许我们使用有限的数据训练模型。对六个公开数据集的广泛实证研究表明，TranAD可以通过数据和时间有效的训练在检测和诊断性能方面优于最先进的基线方法。具体而言，与基线相比，TranAD将F1分数提高了17%，将训练时间减少了99%。
2022-05-14 cs.LG
Moon: A Modality Conversion-based Efficient Multivariate Time Series Anomaly Detection
College of Computer Science, Zhejiang University（浙江大学计算机科学学院）；Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系）；Department of Computer Science, Aalborg University（奥胡斯大学计算机科学系）
针对现有多变量时间序列异常检测方法的阈值依赖、标签利用不足、局部关系捕捉弱等问题，提出基于模态转换的Moon框架，融合数值与图像特征，实现更高效准确且可解释的异常检测。
2025-10-02 cs.LG
Open-Set Multivariate Time-Series Anomaly Detection
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
本文提出MOSAD框架，通过少量标注异常样本和异常感知对比头构建共享表示空间，解决开放集多变量时间序列异常检测问题，并在三个真实数据集上取得最优性能。
2024-08-07 cs.LG
Unsupervised Anomaly Detection in Multivariate Time Series across Heterogeneous Domains
Ecole Polytechnique（巴黎综合理工学院）
针对AIOps场景中多元时间序列正常行为域偏移问题，提出基于域泛化的DIVAD方法学习域不变表示，在Exathlon等基准上F1分数显著提升。
2025-03-29 cs.LG
Entropy Causal Graphs for Multivariate Time Series Anomaly Detection
Institute of Innovation, Science and Sustainability（创新、科学与可持续性研究所）；Federation University Australia, Australia and CSIRO's Data61（联邦大学澳大利亚分校和CSIRO的数据61）；Federation University Australia（联邦大学澳大利亚分校）；RMIT University（皇家墨尔本理工学院）
针对现有多元时间序列异常检测忽略变量间因果关系的问题，提出基于传递熵构建因果图并结合加权图卷积与因果卷积的CGAD框架，在真实数据集上平均提升9%。
2025-08-08 cs.AI cs.LG
DeCorus: Hierarchical Multivariate Anomaly Detection at Cloud-Scale
IBM Research Haifa（IBM海法研究院）
多变量异常检测可以用于识别计算系统的大量遥测数据内的中断。然而，开发一个有效的异常检测器，可以为用户提供相关的信息是一个具有挑战性的问题。我们介绍我们的方法，分层多元异常检测称为DeCorus，统计多元异常检测器，实现线性复杂度。它扩展了标准的统计技术，以提高其在噪声信号中发现相关异常的能力，并利用系统操作员通常拥有的领域知识类型来计算系统级异常分数。我们描述了DeCorus的实现，DeCorus是一个在线日志异常检测工具，用于在云服务提供商处部署的网络设备系统日志消息。我们使用真实世界的数据集，包括$1.5$十亿网络设备系统日志消息和数百个事件票的特点的性能DeCorus和比较其能力，检测事件与五个替代异常检测器。虽然DeCorus优于其他异常检测器，但它们都受到我们数据集的挑战。我们将分享DeCorus如何在现场提供价值，以及我们计划如何提高其事件检测准确性。
2022-02-14 cs.DC cs.LG
Federated Variational Learning for Anomaly Detection in Multivariate Time Series
Air Force Research Laboratory（空军研究实验室）；Embry-Riddle Aeronautical University（安柏瑞德航空大学）
网络化传感器和执行器产生的高维多变量时间序列数据的异常检测一直是一个具有挑战性的任务。除了这种时间序列的高度非线性、复杂性和动态性之外，缺乏标记数据阻碍了以监督的方式进行数据开发，从而阻止了对异常现象的准确检测。另一方面，在网络边缘收集的数据往往是隐私敏感的，并且数量很大，这可能会阻碍在主服务器上进行集中训练。为了解决这些问题，我们提出了一个无监督的时间序列异常检测框架，以联邦的方式持续监控网络中互连设备的行为，并对异常事件发出警报，以便在发生意外后果之前采取对策。具体而言，我们将分布在边缘的训练数据保留以学习基于卷积门控递归单元（ConvGRU）模型的共享变分自编码器（VAE），其联合捕获多变量时间序列数据中的特征和时间依赖性，用于表示学习和下游异常检测任务。三个真实世界的网络传感器数据集上的实验说明了我们的方法比其他国家的最先进的模型的优势。我们还进行了广泛的实验，以证明我们的检测框架下的非联邦和联邦设置的整体性能和检测延迟的有效性。
2021-08-29 cs.LG
Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection
La Trobe University（拉筹伯大学）；Monash University（莫纳什大学）；Griffith University（格里菲斯大学）
提出CST-GL方法，通过显式建模变量间成对相关性并利用时空图神经网络，实现多元时间序列异常的有效检测与早期预警。
2023-11-16 cs.LG
Hankel-structured Tensor Robust PCA for Multivariate Traffic Time Series Anomaly Detection
McGill University（麦吉尔大学）
时空交通数据（例如，链路速度/流量）可以被组织为具有附加空间属性的多变量时间序列。分析这些数据的一个关键任务是从具有复杂空间和时间依赖性的数据中识别和检测异常观测和事件。鲁棒主成分分析（RPCA）是一种广泛使用的异常检测工具。然而，传统的RPCA纯粹依赖于全局低秩假设，而忽略了局部时间相关性。有鉴于此，本研究提出了一个Hankel结构的张量版本的RPCA时空数据的异常检测。我们将具有异常的原始数据视为多变量时间序列矩阵（位置$\times$时间），并假设去噪矩阵具有低秩结构。然后，我们通过应用时间Hankel化将低秩矩阵变换为三阶张量。最后，我们分解成一个低秩的汉克尔张量和稀疏矩阵的腐败矩阵。通过Hankel化操作，该模型可以同时捕获全局和局部时空相关性，表现出更强的鲁棒性。我们将该问题描述为一个优化问题，并使用张量核范数（TNN）来近似张量秩，并使用$l_1$范数来近似稀疏性。我们开发了一个有效的解决方案的算法的基础上交替方向的乘法器（ADMM）。尽管有三个超参数，但该模型在实践中很容易设置。利用合成数据和地铁客流时间序列对该方法进行了验证，结果表明该方法具有较好的异常检测效果。
2021-10-08 cs.LG
Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction
Beijing Jiaotong University（北京交通大学）
由于当今IT监控系统的维度和复杂性的增加，在没有人工监督的情况下检测多变量时间序列的异常仍然是一个具有挑战性的问题。无监督时间序列异常检测的最新进展主要使用深度自编码器来解决这个问题，即在正常样本上进行训练，并在异常输入上产生显著的重建误差。然而，在实践中，由于神经网络的强大功能，自编码器可以很好地重建异常。此外，这些方法对于识别非点异常（例如，上下文异常和集体异常）可能是无效的，因为它们仅利用逐点重建目标。为了解决上述问题，我们提出了MemAAE（\textit{Memory-augmented Adversarial Autoencoders with Deep Reconstruction and Prediction}），一种新的无监督的时间序列异常检测方法。通过联合训练两个互补的代理任务，重建和预测，与共享的网络架构，我们表明，通过多个任务检测异常获得优越的性能，而不是单任务训练。此外，引入压缩记忆模块来保存正常模式，避免对异常输入的意外泛化。通过广泛的实验，MemAAE在四个公共数据集上的总体F1得分为0.90，显著优于最佳基线0.02。
2021-10-15 cs.LG
GDformer: Going Beyond Subsequence Isolation for Multivariate Time Series Anomaly Detection
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；China Mobile (Jiangxi) Virtual Reality Technology Co., Ltd.（中国移动（江西）虚拟现实技术有限公司）；Salesforce AI Research（Salesforce AI研究）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
提出全局字典增强Transformer（GDformer），通过基于字典的交叉注意力机制学习整个序列中所有正常点的全局表示，并利用原型捕获正常点-全局相关权重分布，实现基于表示相似性的统一检测准则，在五个基准数据集上达到最先进性能。
2026-05-24 cs.LG
CLEANet: Robust and Efficient Anomaly Detection in Contaminated Multivariate Time Series
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；HUAWEI（华为）
针对多元时间序列异常检测中训练数据污染和推理低效的问题，提出CLEANet框架，采用污染弹性训练框架和轻量级共轭MLP，在五个数据集上F1提升高达73.04%，运行时间降低81.28%。
2025-10-26 cs.LG
LEARN-TS: LLM-Enhanced Alignment and Reconstruction with Normality Guidance for Multivariate Time-Series Anomaly Detection
Korea University（高丽大学）
LEARN-TS利用冻结语言模型构建角色分离的语义表示，通过窗口特定观测语义和固定正态性提示指导掩码重构，实现无需外部文本的多元时间序列异常检测，在四个基准上取得领先性能。
2026-10-01 cs.LG
Anomaly Detection for Multivariate Time Series on Large-scale Fluid Handling Plant Using Two-stage Autoencoder
Toshiba Corporation（东芝公司）
本文重点研究了具有动态组件的大型流体处理工厂（如发电厂、水处理厂和化工厂）中多变量时间序列数据的异常检测，这些工厂同时观察到来自各种物理现象的信号。在这些工厂中，鉴于熟练工程师人数减少和人力短缺，对异常检测技术的需求正在增加，以降低运营和维护成本。然而，考虑到高维信号的复杂行为和对可解释性的需求，这些技术构成了一个重大挑战。我们介绍了一个两阶段自动编码器（TSAE）作为一种异常检测方法适用于这样的工厂。这是一种简单的自动编码器架构，使异常检测更具有可解释性和更准确性，其中基于植物信号可以分离为两个几乎没有相互关联的行为的前提下，信号以逐步的方式分离为长期和短期分量，并且两个分量独立训练，以提高对正常信号的推断能力。通过对两个公开的水处理系统数据集的实验，我们已经证实了高检测性能，前提的有效性，以及模型行为的预期，即，TSAE的技术有效性。
2022-05-20 cs.LG
MELODY: Robust Semi-Supervised Hybrid Model for Entity-Level Online Anomaly Detection with Multivariate Time Series
AWS AI Labs（亚马逊人工智能实验室）
针对软件部署实体级异常检测中异构性、低延迟、定义模糊和标注有限等挑战，本文提出半监督混合模型MELODY，通过在线特征提取与深度单类模型实现异常检测，在真实云数据上F1相对提升7.6%至56.5%。
2024-06-06 cs.LG
JAPE: Joint Anomaly Prediction and Intrinsic Explanation in Multivariate Time Series
Zhejiang University（浙江大学）；Aalborg University（奥尔堡大学）；School of Computing Technologies, RMIT University（皇家墨尔本理工大学计算技术学院）
JAPE是首个联合异常预测与解释的多变量时间序列框架，通过解耦时空建模等技术提升预测性能与可解释性，在五个真实基准上实现F1、AUC-PR及MRR的显著提升。
2026-08-18 cs.LG
CICADA: Cross-Domain Interpretable Coding for Anomaly Detection and Adaptation in Multivariate Time Series
Tsinghua University（清华大学）
提出CICADA框架，通过混合专家、选择性元学习、自适应扩展和分层注意力四项创新，解决多变量时间序列跨域异常检测中的分布偏移与泛化问题，并在性能和可解释性上超越现有方法。
2025-05-01 cs.LG
CAAD: Causality-Aware Multivariate Time Series Anomaly Detection via Multi-Scale Alignment and Structural Causal Consistency
Stony Brook University（纽约州立大学石溪分校）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；Yale University（耶鲁大学）；Queen Mary University of London（伦敦大学玛丽皇后学院）
针对复杂工业系统异常检测中常忽略内部因果关系的问题，提出CAAD框架，通过外生变量持续验证格兰杰因果一致性，利用多尺度对齐和梯度矩阵监测因果关系，在真实工业数据集实验中实现高精度异常检测，优于多数基线方法。
2026-07-10 cs.LG
Multivariate Time Series Anomaly Detection in Industry 5.0
University of Ferrara（费拉拉大学）；Bonfiglioli S.P.A.（邦菲利奥利股份公司）
针对工业5.0环境下多变量时间序列异常检测面临的海量数据、噪声及标签问题，提出结合嵌入模型与机器学习的框架，在真实工厂数据下验证其抗噪性能优于传统自编码器。
2025-03-20 cs.LG
Active Rule Mining for Multivariate Anomaly Detection in Radio Access Networks
Global AI Accelerator (GAIA), Ericsson（全球人工智能加速器（GAIA），爱立信）
针对多变量异常检测缺乏可解释、可落地的业务规则的问题，本文提出一种适配无线接入网场景、支持离散和时间序列数据的半自治异常规则挖掘器，可将异常模式映射为可执行规则。
2025-01-11 cs.AI cs.LG
CGSTA: Cross-Scale Graph Contrast with Stability-Aware Alignment for Multivariate Time-Series Anomaly Detection
Dalian Maritime University（大连海事大学）；Harbin Engineering University（哈尔滨工程大学）
CGSTA通过跨尺度图对比与稳定性感知对齐，提升多变量时间序列异常检测的鲁棒性和准确性。
2026-02-24 cs.LG
Recurrent Auto-Encoder With Multi-Resolution Ensemble and Predictive Coding for Multivariate Time-Series Anomaly Detection
Korea University（高丽大学）
由于大规模的时间序列数据在实际应用中很容易被发现，因此多元时间序列异常检测在各个行业中发挥着重要作用。它可以通过基于时间序列数据预防故障和检测异常来提高生产率并降低维护成本。然而，多变量时间序列异常检测是具有挑战性的，因为真实世界的时间序列数据表现出复杂的时间依赖性。对于这项任务，关键是要学习一个丰富的表示，有效地包含正常行为的非线性时间动态。在这项研究中，我们提出了一个无监督的多变量时间序列异常检测模型RAE-MEPC学习信息正常表示的基础上，多分辨率集成和预测编码。我们引入多分辨率集成编码来捕获输入时间序列的多尺度依赖性。编码器分层地聚合从具有不同编码长度的子编码器提取的时间特征。根据这些编码特征，重构解码器基于多分辨率系综解码来重构输入时间序列，其中较低分辨率信息有助于解码具有较高分辨率输出的子解码器。预测编码被进一步引入以鼓励模型学习时间序列的时间依赖性。在真实世界基准数据集上的实验表明，该模型在多变量时间序列异常检测方面优于基准模型。
2022-02-21 cs.AI cs.LG
DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate Time Series Data
本文提出DTAAD模型，将自回归模型与自编码器结合，并采用双TCN-注意力网络，在多变量时间序列异常检测与诊断中以超轻量结构显著提升F1分数并大幅缩短训练时间。
2024-04-29 cs.LG
MadSGM: Multivariate Anomaly Detection with Score-based Generative Models
Yonsei University（延世大学）；Samsung SDS（三星SDS）；LG AI Research（LG人工智能研究院）
MadSGM提出基于分数生成模型的多变量时间序列异常检测方法，综合重构、密度和梯度三类异常度量，在五个基准数据集上取得最稳健准确的预测结果。
2023-08-29 cs.AI cs.LG
RED-F: Reconstruction-Elimination based Dual-stream Contrastive Forecasting for Multivariate Time Series Anomaly Prediction
School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（计算机学院（国家级试点软件工程学院），北京邮电大学）；China Telecom Research Institute Beijing（中国电信研究院北京分院）；Department of Computer Science, Missouri University of Science and Technology（计算机学院，密苏里科技大学）
RED-F通过重建-消除模型和双流对比预测模型，提升多变量时间序列异常预测的准确性与鲁棒性。
2026-01-12 cs.LG
MIM-GAN-based Anomaly Detection for Multivariate Time Series Data
Tibet University（西藏大学）；Jinan University（暨南大学）；Western University（韦仕敦大学）；Tibet Autonomous Region Plateau Complex Environmental Information Transmission and Processing Engineering Research Center（西藏自治区高原复杂环境信息传输与处理工程研究中心）；Advanced Technology Research Center of Tibet University（西藏大学先进技术研究中心）
本文提出基于MIM-GAN的无监督多元时间序列异常检测算法，通过滑动窗口和LSTM捕获时序相关性，并在损失函数中引入指数信息度量以避免局部最优和模型崩溃，实验证明其在精确率、召回率和F1分数上表现优越。
2023-10-26 cs.LG
Pi-transformer: A prior-informed dual-attention model for multivariate time-series anomaly detection
Lincoln AI Lab, University of Lincoln（林肯人工智能实验室，林肯大学）；Trainline
Pi-Transformer通过数据驱动的序列注意力和先验注意力，结合时间不变量，提升多变量时间序列异常检测的准确性与鲁棒性。
2026-03-19 cs.LG
Cluster-Aware Causal Mixer for Online Anomaly Detection in Multivariate Time Series
University of California, Berkeley（加州大学伯克利分校）
本文提出了一种基于聚类的因果混合器，用于多变量时间序列的在线异常检测，通过聚类处理通道间的相关性，结合因果混合器保持时间因果性，并开发了序列异常评分方法以提高检测准确性。
2026-06-04 cs.LG stat.ML
RSM-GAN: A Convolutional Recurrent GAN for Anomaly Detection in Contaminated Seasonal Multivariate Time Series
North Carolina State University（北卡罗来纳州立大学）；Intuit Inc.（财捷公司）
强大的异常检测是监控复杂的现代系统的一项要求，这些系统具有网络安全、欺诈预防和维护等应用。这些系统生成多个相关的时间序列，这些时间序列具有高度的季节性和噪声。本文提出了一种用于多变量时间序列异常检测的新型无监督深度学习架构，称为鲁棒季节性多变量生成对抗网络（RSM-GAN）。它扩展了GANs的最新进展，采用了卷积LSTM层和注意力机制来产生最先进的性能。我们进行了大量的实验，以证明我们的架构在调整复杂的季节性模式和处理严重的训练数据污染水平的实力。我们还提出了一个新的异常分数分配和因果推理框架。我们将RSM-GAN与现有的经典和基于深度学习的异常检测模型进行了比较，结果表明，我们的架构具有最低的误报率，并且在真实世界和合成数据中分别将精度提高了30%和16%。此外，我们报告了RSM-GAN在所有数据设置中准确识别根本原因和NAB评分方面的优越性。
2019-11-16 cs.LG stat.ML
Exploring the Influence of Dimensionality Reduction on Anomaly Detection Performance in Multivariate Time Series
Istanbul Technical University（伊斯坦布尔技术大学）；Parton Big Data Analytics and Consulting（帕顿大数据分析与咨询公司）
本文通过在三个数据集上实验研究四种降维技术与两种无监督异常检测模型的结合，发现降维可提升检测性能并大幅缩短训练时间，为降维策略选择提供参考。
2024-03-07 cs.LG
Multivariate Time-series Anomaly Detection via Graph Attention Network
Microsoft（微软）；Peking University（北京大学）
多元时间序列的异常检测在数据采掘研究和工业应用中具有重要意义。最近的方法在这一主题上取得了重大进展，但仍然存在局限性。一个主要的限制是，它们没有明确地捕捉不同时间序列之间的关系，导致不可避免的误报。在本文中，我们提出了一种新的自监督框架的多元时间序列异常检测来解决这个问题。我们的框架将每个单变量时间序列视为一个单独的特征，并包括两个并行的图形注意力层，以学习多变量时间序列在时间和特征维度上的复杂依赖关系。此外，我们的方法联合优化基于预测的模型和基于构造的模型，通过单时间戳预测和整个时间序列的重构相结合，获得更好的时间序列表示。我们通过大量的实验证明了我们的模型的有效性。所提出的方法优于其他国家的最先进的模型在三个真实世界的数据集。进一步的分析表明，我们的方法具有良好的解释性，是有用的异常诊断。
2020-09-04 cs.LG stat.ML
mTSBench: Benchmarking Multivariate Time Series Anomaly Detection and Model Selection at Scale
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Sandia National Laboratories（桑迪亚国家实验室）
mTSBench是一个大规模多变量时间序列异常检测与模型选择基准测试，评估24种检测器并揭示模型选择的迫切需求。
2026-02-07 cs.AI cs.LG
Correlation-Aware Reconstruction for Multivariate Time Series Anomaly Detection
Monash University（莫纳什大学）；University of New South Wales（新南威尔士大学）
本研究针对多变量时间序列异常检测中跨通道异常检测率低的问题，提出CARMA模型，通过双潜在空间设计提升性能，在TSB-AD-M基准上显著优于29种基线方法，VUS-PR达0.4929。
2026-10-14 cs.LG
Multivariate Time Series Anomaly Detection using DiffGAN Model
College of Science, University of Shanghai for Science and Technology（上海理工大学理学院）
针对扩散模型中不同扩散步数影响多元时间序列异常检测效果的问题，本文提出DiffGAN方法，通过在去噪器中引入生成对抗网络同时生成噪声数据并预测扩散步数，实验表明其异常检测性能优于多个最先进的重建模型。
2025-01-03 cs.LG math.ST stat.TH
Hybridization of Capsule and LSTM Networks for unsupervised anomaly detection on multivariate data
本文提出分支输入自编码器架构，融合 LSTM 与 Capsule Networks，以无监督方式检测多变量时间序列异常，显著缓解过拟合并在开源基准上达到最先进性能。
2022-02-11 cs.LG
Label-Free Multivariate Time Series Anomaly Detection
Zhejiang University（浙江大学）；NetEase Games（网易游戏）
针对无标签多元时间序列异常检测，提出MTGFlow方法，利用动态图和实体感知归一化流估计密度，并扩展聚类策略MTGFlow_cluster，在六个基准数据集上取得优越性能。
2024-02-07 cs.LG
An Unsupervised Short- and Long-Term Mask Representation for Multivariate Time Series Anomaly Detection
National University of Defense Technology（国防科技大学）；College of Computer Science and Technology（计算机科学与技术学院）；Institute for Quantum Information（量子信息研究所）
多元时间序列的异常检测对于系统行为监测具有重要意义。提出了一种基于无监督短时和长时掩码表示学习（SLMR）的异常检测方法。其主要思想是分别利用多尺度残差扩张卷积和门控递归单元（GRU）提取多元时间序列的短期局部依赖模式和长期全局趋势模式。此外，我们的方法可以理解的时间上下文和特征相关性，结合时空掩蔽自监督表示学习和序列分裂。该方法考虑到特征的重要性不同，引入注意力机制来调整各特征的贡献。最后，一个基于预测的模型和一个基于重构的模型相结合，专注于单时间戳预测和时间序列的潜在表示。实验表明，我们的方法的性能优于其他国家的最先进的模型在三个真实世界的数据集。进一步的分析表明，我们的方法是良好的可解释性。
2022-08-19 cs.AI cs.LG
Machine Learning-based vs Deep Learning-based Anomaly Detection in Multivariate Time Series for Spacecraft Attitude Sensors
Airbus Defence and Space GmbH（空中客车防务与航天有限公司）；Delft University of Technology（代尔夫特理工大学）
本文比较了机器学习与深度学习方法在航天器姿态传感器多变量时间序列卡滞值检测中的性能、可解释性与泛化能力，为航天器FDIR提供AI新方案。
2024-09-26 cs.AI cs.LG
Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection
Universidad de Granada（格拉纳达大学）
网络异常检测是当今一个非常相关的研究领域，特别是由于其在网络安全领域的多种应用。基于变分自编码器和生成式对抗网络的新模型的推动促使人们重新评估传统的异常检测技术。然而，必须能够从多年评估网络安全数据以进行异常检测的经验的角度来理解这些新模型。在本文中，我们重新审视基于PCA的异常检测技术从概率生成模型的角度来看，并贡献一个数学模型，将它们联系起来。具体来说，我们从概率PCA模型开始，并解释其与多元统计网络监测（MSNM）框架的联系。MSNM最近被成功地提出作为将工业过程异常检测经验纳入网络领域的一种手段。我们使用两个不同的数据集来评估数学模型。第一个是为了更好地理解所提出的分析而创建的合成数据集，第二个是UGR'16，是专门设计的用于网络安全异常检测的真实流量数据集。我们得出的结论，我们认为是有用的生成模型应用于网络安全检测。
2023-02-02 cs.LG stat.ML
DDMT: Denoising Diffusion Mask Transformer Models for Multivariate Time Series Anomaly Detection
本文提出DDMT框架，通过自适应动态邻居掩码缓解弱身份映射问题，并首次结合去噪扩散模型与Transformer建模正常数据分布，在五个公开数据集上取得最先进的多元时间序列异常检测性能。
2023-10-30 cs.AI cs.LG
Benchmarking Unsupervised Strategies for Anomaly Detection in Multivariate Time Series
IBM Research Paris-Saclay（IBM巴黎萨克雷研究中心）；LPNHE（LPNHE实验室）；Sorbonne Université（索邦大学）；Université Paris Cité（巴黎城市大学）；CNRS/IN2P3 Paris（巴黎国家科学研究中心/IN2P3）
本文研究了基于transformer的多变量时间序列异常检测方法，重点评估iTransformer架构，并从参数影响、标签提取、异常数据缓解及多数据集对比四个方面进行全面基准测试。
2025-06-25 cs.LG stat.ME
Knowledge-Assisted Multi-Graph Dependency Learning for Multivariate Time Series Anomaly Detection in Multi-Stage Industrial Processes
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
针对多阶段工业过程中多变量时间序列异常检测问题，提出知识辅助多图框架并构建三个互补图，利用多图注意力网络建模，通过纳入过程知识显著提升异常检测性能。
2026-07-20 cs.AI cs.LG
CoCAI: Copula-based Conformal Anomaly Identification for Multivariate Time-Series
University of Trieste（特里este大学）；Idrostudi srl（Idrostudi公司）
提出CoCAI框架，结合扩散模型、保形预测、降维与Copula建模，实现多元时间序列的有效预测及统计可靠的异常检测。
2025-07-23 cs.LG stat.ML
Ensemble neuroevolution based approach for multivariate time series anomaly detection
AGH University of Science and Technology（AGH科技大学）
多变量时间序列异常检测是故障预防领域中一个非常常见的问题。快速预防意味着更低的维修成本和损失。新型工业系统中传感器的数量使得异常检测过程对人类来说非常困难。自动检测异常过程的算法在现代故障预防系统中至关重要。因此，许多机器和深度学习模型被设计来解决这个问题。大多数情况下，它们是基于自动编码器的架构，具有一些生成对抗元素。在这项工作中，一个框架，其中包括神经进化方法，以提高新的和已知的模型的异常检测分数。该方法采用演化策略对集成模型进行进化，每个模型作用于一个数据传感器子集。神经进化的下一个目标是优化架构和超参数，如窗口大小、层数、层深度等。所提出的框架表明，可以在合理的时间和完全自动化的模式下提升大多数异常检测深度学习模型。测试在SWAT和WADI数据集上运行。据我们所知，这是第一种使用神经进化策略以内置的全自动方式构建集成深度学习异常检测模型的方法。
2021-08-08 cs.AI cs.LG
Multivariate Time Series Anomaly Detection via Dual-Branch Reconstruction and Autoregressive Flow-based Residual Density Estimation
Zhejiang University（浙江大学）；Zhejiang Sci-Tech University（浙江理工大学）
本文提出DBR-AF框架，通过双分支重建和自回归流模块解决多变量时间序列异常检测中的过拟合和误判问题，实验表明其在多个基准数据集上表现优异。
2026-03-29 cs.AI cs.LG
