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
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
POST: Prior-Observation Adversarial Learning of Spatio-Temporal Associations for Multivariate Time Series Anomaly Detection
School of Internet of Things(物联网学院);National Engineering Research Center of Communications and Networking(通信与网络国家工程研究中心)
本文提出了一种新的框架,通过联合先验观察对抗学习方法统一时空建模,以解决多变量时间序列异常检测中的空间过泛化问题,并在公开数据集和自建基准上展示了在时间检测和空间定位任务上的新状态。
2026-05-18 cs.AI
CANDI: Curated Test-Time Adaptation for Multivariate Time-Series Anomaly Detection Under Distribution Shift
CANDI提出了一种新的测试时适应框架,通过精选潜在的假阳性样本并保留预训练知识,提升多变量时间序列异常检测在分布偏移下的性能,实验显示其在AUROC上提升达14%。
2026-04-02 cs.AI cs.LG
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
Temporal-Conditioned Normalizing Flows for Multivariate Time Series Anomaly Detection
本文提出时间条件归一化流框架,通过建模时间依赖性与不确定性,实现多变量时间序列的高效异常检测。
2026-03-10 cs.AI cs.LG
CALAD: Channel-Aware contrastive Learning for multivariate time series Anomaly Detection
Department of Industrial Engineering, Inha University, Incheon, Republic of Korea(韩国Inha大学工业工程系)
提出CALAD框架,通过估计信道相关性指导对比样本构建,结合对比学习和辅助重构头,实现信道感知的多元时间序列异常检测,在分布漂移场景下优于现有方法。
2026-05-22 cs.AI 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
Unsupervised Distance Metric Learning for Anomaly Detection Over Multivariate Time Series
School of Software Technology, Zhejiang University(浙江大学软件学院);Donghai Laboratory(东海实验室)
针对多元时间序列异常检测缺乏无监督鲁棒距离方法的问题,提出 FCM-wDTW,结合局部加权 DTW 与模糊 C 均值聚类学习潜在空间并重构识别异常,在 11 类基准上展现准确且高效的性能。
2024-03-04 cs.AI cs.LG
Dynamic Reward Scaling for Multivariate Time Series Anomaly Detection: A VAE-Enhanced Reinforcement Learning Approach
School of Computer Science Portland State University Portland, Oregon, United States(计算机科学学院波特兰州立大学波特兰俄勒冈州美国)
针对多元时间序列异常检测中高维、标注少、传感器依赖弱的问题,本文提出融合VAE、LSTM-DQN、动态奖励与主动学习的强化学习框架DRSMT,在两个基准上取得优于基线的检测效果。
2025-11-15 cs.AI cs.LG
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
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
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
Learning Graph Neural Networks for Multivariate Time Series Anomaly Detection
在这项工作中,我们提出了GLUE(图形偏差网络与本地不确定性估计),最近提出的图形偏差网络(GDN)的基础上。GLUE不仅可以自动学习变量之间的复杂依赖关系,并使用它们来更好地识别异常行为,还可以量化其预测的不确定性,使我们能够解释数据中的变化,并具有更多可解释的异常检测阈值。两个真实世界数据集上的结果告诉我们,优化负高斯对数似然是合理的,因为GLUE的预测结果与GDN相当,实际上优于向量自回归基线,这是重要的,因为GDN直接优化了MSE损失。总之,我们的实验表明,GLUE在异常检测方面与GDN具有竞争力,并具有不确定性估计的额外好处。我们还表明,GLUE学习有意义的传感器嵌入集群相似的传感器在一起。
2021-12-07 cs.AI cs.LG
An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series
最近提出了几种多变量时间序列异常检测技术,但缺乏对一组常见的数据集和度量的系统比较。本文对基于无监督和半监督深度学习的方法进行了系统和全面的评估,用于对来自网络物理系统的多变量时间序列数据进行异常检测和诊断。与以前的作品不同,我们通过10个模型和4个评分函数的网格来改变模型和模型误差的后处理,即评分函数彼此独立,将这些变体与最先进的方法进行比较。在时间序列异常检测中,检测异常事件比检测单个异常时间点更重要。通过实验,我们发现现有的评价指标要么没有考虑事件,要么不能区分好的检测器和平凡的检测器,如随机检测器或全正检测器。我们提出了一个新的度量,以克服这些缺点,即,复合F分数($Fc_1$),用于评估时间序列异常检测。我们的研究强调,动态评分函数的工作比静态的多变量时间序列异常检测,评分函数的选择往往比选择的基础模型更重要。我们还发现,一个简单的通道模型-单变量全连接自动编码器,具有动态高斯评分函数,是异常检测和诊断的获胜候选者,击败了最先进的算法。
2021-09-23 cs.AI cs.LG stat.ML
On the Usage of Generative Models for Network Anomaly Detection in Multivariate Time-Series
IE–FING, UDELAR(乌拉圭共和国大学工程学院信息工程系);AIT Austrian Institute of Technology(奥地利技术研究院)
尽管多年来探索了许多用于异常检测的尝试和方法,但是数据通信网络中的罕见事件的自动检测仍然是一个复杂的问题。在本文中,我们介绍了Net-GAN,一种新的方法来检测网络异常的时间序列,使用递归神经网络(RNN)和生成对抗网络(GAN)。与传统上专注于单变量测量的最新技术不同,Net-GAN通过RNN利用时间依赖性来检测多变量时间序列中的异常。Net-GAN发现基线、多变量数据的潜在分布,而不对其性质进行任何假设,为检测复杂、难以建模的网络监控数据中的异常提供了一种强大的方法。我们进一步利用生成模型背后的概念来构思Net-VAE,这是一种基于变分自动编码器(VAE)的Net-GAN网络异常检测的补充方法。我们在不同的监控场景中评估了Net-GAN和Net-VAE,包括物联网传感器数据中的异常检测和网络测量中的入侵检测。生成模型是一种很有前途的网络异常检测方法,特别是当考虑到复杂性和不断增长的时间序列监测在运营网络。
2020-10-16 cs.AI cs.LG cs.NI
MAD: Self-Supervised Masked Anomaly Detection Task for Multivariate Time Series
GE Research(通用电气研究院)
在本文中,我们介绍了掩蔽异常检测(MAD),一个通用的自监督学习任务的多元时间序列异常检测。随着来自工业系统的传感器数据的可用性的增加,能够从多变量时间序列数据流中检测异常是非常重要的。由于在现实世界中的应用异常的稀缺性,大多数文献一直专注于建模的正常性。学习的正常表示可以增强异常检测,因为模型已经学会捕获某些关键的底层数据。一个典型的公式是学习预测模型,即,使用时间序列数据窗口来预测未来的数据值。在本文中,我们提出了另一种自监督学习任务。通过随机屏蔽一部分输入并训练模型来使用剩余的输入来估计它们,MAD是对传统的从左到右的下一步预测(NSP)任务的改进。我们的实验结果表明,MAD可以实现更好的异常检测率比传统的NSP方法时,使用完全相同的神经网络(NN)的基础模型,并可以修改运行速度NSP模型在测试时间在相同的硬件,从而使其成为一个理想的升级许多现有的基于NSP的NN异常检测模型。
2022-05-04 cs.AI cs.LG cs.NE
Multivariate Time Series Anomaly Detection via Dynamic Graph Forecasting
University Of Waterloo(滑铁卢大学)
单变量时间序列中的异常通常指异常值以及与大多数历史观测的时间模式的偏差。在多元时间序列中,异常也指序列间关系(如相关性)随时间的异常变化。现有的研究已经能够通过图神经网络来建模这种系列间的关系。然而,大多数工作解决了学习静态图全局或在上下文窗口内,以帮助时间序列预测任务或重建任务,其目标是不适合显式检测异常关系。其他一些作品基于重建或预测系列间图的列表来检测异常,由于图的离散性,这无意中削弱了它们捕获数据内的时间模式的能力。在这项研究中,我们提出了DyGraphAD,一个多变量的时间序列异常检测框架的基础上的动态系列间图的列表。其核心思想是通过利用图形的演化性质,基于序列间关系和序列内时间模式从正常状态到异常状态的偏差来检测异常,以便同时帮助图形预测任务和时间序列预测任务。我们在真实世界数据集上的数值实验表明,DyGraphAD具有优于基线异常检测方法的性能。
2023-02-04 cs.AI cs.LG
AD-NEV: A Scalable Multi-level Neuroevolution Framework for Multivariate Anomaly Detection
AGH-UST(AGH科技大学);American University(美利坚大学)
AD-NEV提出一种可扩展多层神经进化框架,通过协同优化特征子空间、模型架构和网络权重,在多变量时间序列异常检测中超越主流深度学习模型并具备高可扩展性。
2023-05-25 cs.AI cs.LG cs.NE
Graph Neural Network-Based Anomaly Detection in Multivariate Time Series
National University of Singapore(新加坡国立大学)
给定高维时间序列数据(例如,传感器数据),我们如何检测异常事件,如系统故障和攻击?更具挑战性的是,我们如何以一种捕获复杂的传感器间关系的方式来做到这一点,并检测和解释偏离这些关系的异常情况?最近,深度学习方法已经能够改进高维数据集中的异常检测;然而,现有方法没有显式地学习变量之间现有关系的结构,或者使用它们来预测时间序列的预期行为。我们的方法结合了结构学习方法与图神经网络,另外使用注意力权重来提供检测到的异常的可解释性。在两个真实传感器数据集上进行的实验表明,我们的方法比基线方法更准确地检测异常,准确地捕获传感器之间的相关性,并允许用户推断检测到异常的根本原因。
2021-06-13 cs.AI cs.LG
Causality-Aware Contrastive Learning for Robust Multivariate Time-Series Anomaly Detection
Seoul National University(首尔大学);Hyundai Motor Company(现代汽车公司)
本文提出因果感知对比学习方法CAROTS,通过因果保持与扰动样本构建正负对训练编码器,并引入相似性过滤的单类对比损失,在多个数据集上验证了因果关系融入可提升多元时间序列异常检测的鲁棒性。
2025-06-04 cs.AI cs.LG
FirstDiff: One-Step Diffusion-Based Anomaly Detection for Multivariate Time Series via Initial Noise Prediction
FirstDiff是一种基于初始噪声预测的单步扩散异常检测框架,采用Diffusion Transformer作为骨干,仅需一次去噪网络评估即可在五个基准数据集上实现最优多变量时间序列异常检测性能。
2026-08-18 cs.AI cs.LG stat.ML
MGADN: A Multi-task Graph Anomaly Detection Network for Multivariate Time Series
Tianjin University(天津大学)
时间序列的异常检测,特别是多变量时间序列(多传感器时间序列)的异常检测,一直是人们关注的焦点。虽然现有的方法已经取得了很大的进展,但仍有一些具有挑战性的问题需要解决。首先,包括神经网络在内的现有方法仅关注时间戳方面的关系。确切地说,他们只想知道过去的数据如何影响未来的数据。然而,一个传感器有时会干扰其他传感器,例如风速可能导致温度下降。其次,时间序列异常检测的模型主要有两类:预测模型和重构模型。预测模型善于学习及时表示,但面对稀疏异常时能力不足。重建模型则相反。因此,如何有效地获得时间戳和传感器之间的关系成为我们的主要课题。我们的方法使用GAT,这是源于图神经网络,以获得传感器之间的连接。LSTM用于及时获取关系。我们的方法也被设计为双头计算预测损失和重建损失通过VAE(变分自动编码器)。为了充分利用两种模型的优点,在模型中采用了多任务优化算法。
2022-11-27 cs.AI cs.LG
Visualization for Multivariate Gaussian Anomaly Detection in Images
Centre for Mathematical Morphology (CMM)(数学形态学中心);Mines Paris - PSL University(巴黎国立高等矿业学校-巴黎文理研究大学)
本文提出一种基于 PaDiM 的简化异常检测方法,通过对 CNN 特征拟合单个多元高斯分布并引入白化变换生成可解释热图,在 MVTec-AD 上验证了可视化模型验证的重要性。
2023-07-12 cs.AI cs.CV
A Causal Approach to Detecting Multivariate Time-series Anomalies and Root Causes
Salesforce Research(赛富时研究院);Carnegie Mellon University(卡内基梅隆大学)
检测多变量时间序列中的异常和相应的根本原因在监控各种现实世界系统的行为中起着重要作用,例如,IT系统运营或制造业。以前的异常检测方法对联合分布进行建模,而没有考虑多变量时间序列的潜在机制,这使得它们计算量很大,难以识别根本原因。在本文中,我们制定的异常检测问题,从因果关系的角度来看,并认为异常的情况下,不遵循定期的因果机制,以产生多变量数据。然后,我们提出了一个基于cavity检测异常和根本原因的框架。它首先从数据中学习因果结构,然后推断实例是否是相对于局部因果机制的异常,其条件分布可以直接从数据中估计。根据因果系统的模块化特性(产生不同变量的因果过程是不相关的模块),将原问题分解为一系列独立的、简单的、低维的异常检测问题,从而可以直接识别异常发生的位置(根本原因)。我们评估我们的方法与模拟和公共数据集,以及对现实世界的AIOps应用程序的案例研究,显示其有效性,鲁棒性和实际可行性。
2022-09-29 cs.AI cs.LG
AMAD: AutoMasked Attention for Unsupervised Multivariate Time Series Anomaly Detection
Northwestern Polytechnical University(西北工业大学)
针对无监督多元时间序列异常检测中关联假设受限的问题,提出AMAD模型,结合自动掩码注意力与注意力混合模块,辅以最大-最小训练和局部-全局对比学习,实现稳健且通用的异常检测,性能媲美最先进基准。
2025-04-25 cs.AI cs.LG
Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values
La Trobe University(乐卓博大学);Monash University(莫纳什大学);Zhejiang University(浙江大学);Griffith University(格里菲斯大学)
本文提出GST-Pro框架,通过神经受控微分方程构建图时空过程,并结合基于分布的异常评分机制,有效解决含缺失值的不规则采样多元时间序列异常检测问题,性能优于现有方法。
2024-01-11 cs.AI cs.LG
GCAD: Anomaly Detection in Multivariate Time Series from the Perspective of Granger Causality
Zhuoyue Honors College, Hangzhou Dianzi University(杭州电子科技大学卓越学院);School of Cyberspace, Hangzhou Dianzi University(杭州电子科技大学网络空间学院);Data Security Governance Zhejiang Engineering Research Center, Hangzhou Dianzi University(杭州电子科技大学浙江省数据安全治理工程研究中心)
本文提出GCAD框架,利用可解释的格兰杰因果关系建模多元时间序列的空间依赖,并通过因果模式变化检测异常,在真实数据集上优于基线方法。
2025-01-23 cs.AI cs.LG
Fast and scalable neuroevolution deep learning architecture search for multivariate anomaly detection
AGH University of Science and Technology(AGH科技大学);American University(美利坚大学)
神经进化是可用于在训练期间学习最佳架构的方法之一。它使用进化算法来生成人工神经网络的拓扑结构及其参数。主要的好处是它是可扩展的,可以是完全或部分非梯度方法。在这项工作中,提出了一种改进的神经进化技术,它采用了多级优化。该方法采用演化策略对基于Bagging技术的集成模型进行进化,使用遗传算子优化单个异常检测模型,减少训练数据集以加快搜索过程并进行非梯度微调。多变量异常检测作为一个无监督学习任务的情况下,所提出的方法进行了测试研究。单模型优化基于变异和交叉算子,专注于寻找最佳窗口大小、层数、层深度、超参数等,以提高新模型和已知模型的异常检测分数。所提出的框架及其协议表明,有可能在合理的时间范围内找到可以提升所有已知的多元异常检测深度学习架构的架构。工作集中在改进的多层次神经进化异常检测方法。主要的修改是在混合组和单模型演化,非梯度微调和投票机制的方法。所提出的框架可以用作任何不同的无监督任务,其中可以使用自动编码器架构的有效学习网络架构方法。测试在SWAT、WADI、MSL和SMAP数据集上运行,所提出的方法发展了在其他深度学习模型中获得最佳分数的架构。
2022-08-27 cs.AI cs.NE
Forecast2Anomaly (F2A): Adapting Multivariate Time Series Foundation Models for Anomaly Prediction
本文提出 Forecast2Anomaly(F2A)框架,通过联合预测-异常损失微调时间序列基础模型,并引入检索增强生成模块动态适应分布偏移,在 16 个数据集上实现零样本异常预测并优于现有方法。
2025-11-05 cs.AI cs.LG
BSSAD: Towards A Novel Bayesian State-Space Approach for Anomaly Detection in Multivariate Time Series
University of Cincinnati(辛辛那提大学);University of Arkansas(阿肯色大学)
多元时间序列数据的异常检测在许多领域都有着重要的作用。异常值可以指示事件、医疗异常、网络攻击或故障设备,如果不被检测到,则可能导致资源、资本或人类生命的重大损失。在本文中,我们提出了一种新颖的和创新的方法,称为贝叶斯状态空间异常检测(BSSAD)的异常检测。BSSAD由两个模块组成:神经网络模块和贝叶斯状态空间模块。我们的方法的设计结合了贝叶斯状态空间算法在预测下一个状态方面的优势,以及递归神经网络和自动编码器在理解数据之间关系方面的有效性,以实现检测异常的高准确性。我们的方法的模块化设计允许灵活性,在实施中的选择,改变参数的贝叶斯状态空间模型或交换-ping神经网络算法,以实现不同水平的性能。特别是,我们专注于使用贝叶斯状态空间模型的粒子滤波器和合奏卡尔曼滤波器。我们在五个不同的数据集上进行了广泛的实验。实验结果表明,我们的模型优于基线,实现了大于0.95的F1分数。此外,我们还建议使用一个度量称为马修相关系数(MCC),以获得更全面的信息异常检测的准确性。
2023-01-30 cs.AI cs.LG
Towards efficient deep autoencoders for multivariate time series anomaly detection
Institute of Electronics(电子学研究所);AGH-UST(AGH科技大学);Institute of Computer Science(计算机科学研究所);Department of Computer Science(计算机科学系);American University(美利坚大学)
针对深度自编码器在实时多元时间序列异常检测中的资源约束问题,提出结合剪枝与线性、非线性量化的压缩方法,在保持检测性能的同时实现80%至95%的模型压缩。
2024-03-04 cs.AI cs.LG
Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis
Beihang University(北京航空航天大学);Shantou University(汕头大学);North China Electric Power University(华北电力大学)
本文提出TopoGDN模型,通过多尺度时间卷积模块和融入图拓扑的增强图注意力网络,从细粒度视角分析多变量时间序列的时间与特征维度,在四个数据集上显著优于基线模型。
2024-08-23 cs.AI cs.LG
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation
FEMTO-ST Institute(FEMTO-ST研究所);UBFC(勃艮第-弗朗什-孔泰大学);CNRS(法国国家科学研究中心)
广播式自动相关监视协议是空中监视的最新强制性进展之一。虽然它支持对空中不断增加的飞机进行跟踪,但它也引入了必须缓解的网络安全问题,例如,虚假数据注入攻击,攻击者发出虚假的监视信息。最近可用于获取飞行跟踪记录的数据源和工具使研究人员能够创建数据集并开发能够检测途中轨迹中此类异常的机器学习模型。在这方面,我们提出了一种新的多元异常检测模型,称为判别式自动编码器(DAE)。它使用基于常规LSTM的自动编码器的基线,但具有多个解码器,每个解码器在训练期间获取特定飞行阶段(例如爬升,巡航或下降)的数据。为了说明DAE的效率,使用真实的异常以及逼真的异常创建了评估数据集,并对DAE以及文献中的三种异常检测模型进行了评估。实验结果表明,DAE在检测精度和速度上都取得了较好的效果。数据集、模型实施和评价结果可在一个在线储存库中查阅,从而能够复制并便利今后的实验。
2021-09-08 cs.AI cs.LG
Causal Disentanglement Learning for Accurate Anomaly Detection in Multivariate Time Series
Dong-A University(东阿大学)
提出CDRL4AD方法,通过时间异构图和解耦潜在变量显式推断多变量时间序列不同时间段的因果关系,在准确率和根因分析上优于现有方法。
2025-10-13 cs.AI cs.LG
Multivariate Time Series Anomaly Detection with Few Positive Samples
GE Research(通用电气研究中心)
由于在现实世界中的应用异常的稀缺性,大多数文献一直专注于建模的正常性。学习的表示使得能够进行异常检测,因为正态模型被训练以捕获在正常情况下的某些关键基础数据。在实际环境中,特别是工业时间序列异常检测中,我们经常会遇到大量正常运行数据以及少量随时间收集的异常事件的情况。这种实际情况要求利用这些少量的异常事件来创建更好的异常检测器的方法。在本文中,我们介绍了两种方法来解决这种实际情况的需要,并比较它们与最近开发的最先进的技术。我们提出的方法锚定在正常操作的自回归(AR)模型的代表性学习以及损失分量,以鼓励表示,分离正常与少数积极的例子。我们将所提出的方法应用于两个工业异常检测数据集,并与文献中的方法进行比较,证明了有效的性能。我们的研究还指出了在实际应用中采用这种方法的额外挑战。
2022-07-02 cs.AI cs.LG cs.NE
Graph Mixture of Experts and Memory-augmented Routers for Multivariate Time Series Anomaly Detection
University of Science and Technology of China(中国科学技术大学);Institute of Plasma Physics, Hefei Institutes of Physical Science, Chinese Academy of Sciences(中国科学院合肥物质科学研究院等离子体物理研究所)
本文提出图专家混合网络Graph-MoE用于多元时间序列异常检测,通过MoE模块自适应整合GNN多层层次图信息,并引入记忆增强路由器利用全局历史时间特征加权实体表示,在五个数据集上验证了其优越性。
2024-12-30 cs.AI cs.LG
ChronoGraph: A Real-World Graph-Based Multivariate Time Series Dataset
Bitdefender;University of Bucharest(布加勒斯特大学);University of Stuttgart(斯图加特大学);International Max Planck Research School for Intelligent Systems(智能系统国际马克斯·普朗克研究学校)
ChronoGraph是一个基于图的多变量时间序列数据集,用于研究微服务系统中的结构感知预测和事件感知评估。
2025-11-27 cs.AI cs.LG
Detecting Multivariate Time Series Anomalies with Zero Known Label
Zhejiang University(浙江大学);NetEase Fuxi AI Lab(网易伏羲人工智能实验室)
提出MTGFlow,一种无监督多变量时间序列异常检测方法,通过动态图学习和实体感知归一化流进行密度估计,在五个数据集上优于现有方法,AUROC最高提升5.0%。
2023-06-17 cs.AI cs.LG
MEMTO: Memory-guided Transformer for Multivariate Time Series Anomaly Detection
Seoul National University(首尔国立大学);VRCREW Inc.(VRCREW公司)
针对多元时间序列异常检测中重构模型过度泛化的问题,提出记忆引导 Transformer MEMTO,通过可学习更新记忆模块、两阶段训练和双空间偏差检测,在五个数据集上取得 95.74% 的平均 F1 分数。
2023-12-05 cs.AI cs.LG
Adaptive Model Pooling for Online Deep Anomaly Detection from a Complex Evolving Data Stream
UIUC(伊利诺伊大学厄巴纳-香槟分校);KAIST(韩国科学技术院);University of Vermont(佛蒙特大学)
数据流的在线异常检测对于许多应用程序的安全性至关重要,但由于物联网设备和基于云的基础设施的复杂和不断变化的数据流,它正面临着严峻的挑战。不幸的是,现有的方法对于这些挑战来说太短了;在线异常检测方法承担着处理复杂性的负担,而离线深度异常检测方法则受到不断变化的数据分布的影响。本文提出了一个在线深度异常检测框架ARCUS,它可以用任何基于自动编码器的深度异常检测方法来实例化。它处理复杂和不断变化的数据流使用自适应模型池的方法与两个新的技术:概念驱动的推理和漂移感知模型池更新;前者检测异常的组合模型最适合的复杂性,后者适应模型池动态地适应不断变化的数据流。在对10个高维和概念漂移的数据集进行的综合实验中,ARCUS将最先进的基于自动编码器的方法和最先进的流异常检测方法的流变体的异常检测精度分别提高了22%和37%。
2022-06-09 cs.AI cs.DB cs.LG
What Streaming Anomaly Detection Finds (and Misses) in Industrial Time Series
EDF R&D(法国电力集团研发部);Inria, ENS, CNRS, PSL(法国国家信息与自动化研究所、巴黎高等师范学院、法国国家科学研究中心、巴黎文理研究大学)
本研究比较了流式方法与在线TSAD模型在真实核电站数据上的异常检测性能,发现在线TSAD一致性更高,集成策略鲁棒性强。
2026-10-01 cs.AI cs.LG
Multivariate Time Series Anomaly Detection by Capturing Coarse-Grained Intra- and Inter-Variate Dependencies
University of Adelaide(阿德莱德大学);Chongqing University(重庆大学)
提出半监督多变量时间序列异常检测方法 MtsCID,通过双网络架构捕获粗粒度变量内时间依赖和变量间关系,在七个数据集上取得优于或媲美现有基准的性能。
2025-01-22 cs.AI cs.LG
AD-NEv++ : The multi-architecture neuroevolution-based multivariate anomaly detection framework
Institute of Electronics(电子研究所);AGH(AGH大学);Department of Computer Science(计算机科学系);American University(美利坚大学)
针对现有神经进化异常检测框架支持的网络层类型有限、模型优化繁琐的问题,提出三阶段框架AD-NEv++,结合子空间进化、模型进化与微调,支持多种网络层,在基准测试中性能优于现有深度学习及神经进化方法,超越最优GNN架构。
2024-03-25 cs.AI cs.LG cs.NE
Searching for Two-Stream Models in Multivariate Space for Video Recognition
Facebook AI;The University of Texas at Austin(德克萨斯大学奥斯汀分校)
传统的视频模型依赖于单个流来捕获复杂的时空特征。最近关于双流视频模型的工作,如SlowFast网络和AssemblleNet,规定了单独的流来学习互补功能,并实现更强的性能。然而,手动设计两个流以及中间的融合块是一项艰巨的任务,需要探索非常大的设计空间。这种手动探索是耗时的,并且当计算资源有限并且探索不足时,通常以次优架构结束。在这项工作中,我们提出了一个实用的神经架构搜索方法,它能够有效地搜索两个流的视频模型在巨大的空间。我们设计了一个多变量搜索空间,包括6个搜索变量,以捕获设计双流模型时的各种选择。此外,我们提出了一个渐进式的搜索过程,通过搜索的架构的各个流,融合块,和注意力块一个接一个。我们展示了具有显著更好性能的双流模型可以在我们的设计空间中自动发现。我们搜索的双流模型,即Auto-TSNet,在标准基准测试中始终优于其他模型。在Kinetics方面,与SlowFast模型相比,我们的Auto-TSNet-L模型将FLOPS降低了近11倍,同时实现了相同的精度78.9%。在Something-Something-V2上,Auto-TSNet-M比其他每个视频使用不到50 GFLOPS的方法提高了至少2%的准确性。
2021-08-30 cs.AI cs.CV
ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection
Peking University(北京大学);Microsoft(微软);Georgia Institute of Technology(佐治亚理工学院);Tsinghua University(清华大学);Microsoft 365(微软365)
ImDiffusion 结合时间序列插补与扩散模型,利用邻近值和去噪输出实现多变量时间序列异常检测,在基准和微软生产系统中显著提升准确性和 F1 分数。
2023-11-14 cs.AI cs.LG
LPC-AD: Fast and Accurate Multivariate Time Series Anomaly Detection via Latent Predictive Coding
Chongqing University(重庆大学);Alibaba(阿里巴巴);The Chinese University of Hong Kong(香港中文大学)
提出了一种快速准确的多变量时间序列异常检测方法LPC-AD。LPC-AD的动机是对快速准确的MTS异常检测方法的不断增长的需求,以支持云计算、微服务系统等的快速故障排除。与专注于训练速度的最先进(SOTA)深度学习方法相比,LPC-AD的训练时间减少了高达38.2%。LPC-AD是准确的,因为与专注于提高检测准确性的SOTA复杂深度学习方法相比,它将检测准确性提高了18.9%。在方法上,LPC-AD贡献了一个通用的体系结构LPC-重建,以实现训练速度和检测精度之间的不同权衡。更具体地说,LPC-重建是建立在自动编码器的想法,以减少时间序列中的冗余,潜在的预测编码捕获MTS中的时间依赖性,和随机扰动,以避免过度拟合的异常依赖的训练数据。我们提出了简单的LPC重建的实例,以达到快速的训练速度,在那里我们提出了一个简单的随机扰动方法。LPC-AD优于SOTA方法的性能进行了验证,通过广泛的实验上的四个大型现实世界的数据集。实验结果也表明了LPC-Reconstruct结构中各个组成部分的必要性和优点,LPC-AD对超参数具有鲁棒性。
2022-05-05 cs.AI cs.LG
DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series
Department of Data Science and AI, Monash University(数据科学与人工智能系,墨尔本大学);Department of Computer Science, University of Oxford(计算机科学系,牛津大学);IBM T. J. Watson Research Center(IBM T. J. Watson研究中心);Squirrel Ai Learning(Squirrel Ai Learning公司);School of ICT, Griffith University(信息科技学院,格里菲斯大学)
针对时间序列异常检测中标记数据稀缺及跨域异常类别不一致的问题,提出结合无监督域自适应与对比学习的DACAD模型,通过异常注入、双对比损失和中心熵分类器,实现跨域知识迁移与高效异常检测。
2025-09-07 cs.AI cs.LG
CATCH: Channel-Aware multivariate Time Series Anomaly Detection via Frequency Patching
East China Normal University(东华大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
提出CATCH框架,通过频率分块增强细粒度频率特征捕获,并设计通道融合模块(CFM)利用分块掩码和掩码注意力机制,结合双层多目标优化学习信道相关性,在10个真实和12个合成数据集上达到最先进性能。
2026-06-23 cs.AI cs.LG
PRISM: Powerful Time Series to Image (TS2I) Representations for Multivariate Anomaly Detection
PRISM是用于多元异常检测的即插即用元工作流,通过构建基于图像的时间序列表示,在14个数据集中的10个上取得最佳VUS-PR,冻结ImageNet预训练编码器可高效迁移至TSAD,性能损失小且训练更快。
2026-08-05 cs.AI cs.CV cs.LG
Anomalous Agreement: How to find the Ideal Number of Anomaly Classes in Correlated, Multivariate Time Series Data
Institute of Data Science, German Aerospace Center(德国航空航天中心数据科学研究所);Friedrich-Schiller University(弗里德里希·席勒大学)
针对无真实标签时多变量时间序列异常聚类质量评估难的问题,提出利用异常同步性的SAAI指标,在确定异常类别数任务上准确率优于SSC和X-Means,且聚类可解释性更强。
2025-01-13 cs.AI cs.LG stat.ML
HFN: Heterogeneous Feature Network for Multivariate Time Series Anomaly Detection
National University of Defense Technology(国防科技大学);National SuperComputing Center in Tianjin(国家超级计算天津中心);Lancaster University(兰卡斯特大学)
对工业设备或计算机系统的网络或物理攻击可能造成巨大损失。因此,基于监测数据,特别是多变量时间序列数据的快速、准确的异常检测具有重要意义。作为MTS数据异常检测的关键步骤,不同变量之间的关系学习已经被许多方法所探索。然而,现有的方法大多没有考虑变量之间的异质性,即不同类型的变量(连续数值变量,离散分类变量或混合变量)可能具有不同的和独特的边缘分布。本文提出了一种基于异构特征网络(HFN)的MTS半监督异常检测框架,从大量未标记的时间序列数据中学习异构结构信息以提高异常检测的准确性,并利用注意力系数对检测到的异常进行解释。具体而言,首先将传感器嵌入生成的嵌入相似度子图与传感器值生成的特征值相似度子图相结合,构建时间序列异构图,充分利用变量间丰富的异构互信息。然后,预测模型包含节点和信道的关注度进行联合优化,以获得更好的时间序列表示。该方法融合了异构图结构学习(HGSL)和表示学习的最新技术。在实际应用中的4个传感器数据集上的实验表明,该方法比基线方法更准确地检测到异常,从而为异常的快速定位提供了基础。
2022-11-02 cs.AI cs.CR cs.LG