arXiv cs.AI· Dongchan Cho, Jiho Han, Keumyeong Kang, Minsang Kim, Honggyu Ryu, Namsoon Jung·· 12 小时前AI 评分27
OracleAD：面向可解释多变量时间序列异常检测的结构化时序因果框架
Structured Temporal Causality for Interpretable Multivariate Time Series Anomaly Detection
AI 导读
OracleAD 是一个简单可解释的无监督多变量时间序列异常检测框架，将每个变量的历史序列编码为单一因果嵌入，联合预测当前时间点并重建输入窗口。嵌入经自注意力投影到共享隐空间后对齐到表示正常状态关系的 Stable Latent Structure（SLS），通过预测误差与 SLS 偏离度的双重评分实现逐时间点、逐变量的细粒度异常诊断，并可在嵌入层面定位根因变量。
正文 · AI 翻译
摘要：真实世界的多变量时间序列异常罕见且通常无标签。此外，现有方法依赖于针对基准测试调优的日益复杂的架构，只能检测到异常片段的局部，并高估了性能。本文提出 OracleAD，一个简单且可解释的无监督多变量时间序列异常检测框架。OracleAD 将每个变量的过去序列编码为单个因果嵌入，以联合预测当前时间点并重建输入窗口，从而有效建模时间动态。这些嵌入随后经过自注意力机制，被投影到共享潜在空间并捕获空间关系。这些关系并非静态，因为它们由每个变量时间动态中涌现的属性所建模。投影后的嵌入被对齐到表示正常状态关系的稳定潜在结构（SLS）。异常通过基于预测误差和偏离 SLS 的双重评分机制来识别，从而能够在每个时间点以及各个变量上进行细粒度异常诊断。由于任何明显的 SLS 偏离都源自违反正常数据所学时间因果性的嵌入，OracleAD 直接在嵌入层面定位根因变量。OracleAD 在多个真实世界数据集和评估协议上取得了最先进的结果，同时通过 SLS 保持可解释性。
| 评论： | 被 NeurIPS 2025 接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2510.16511 [cs.LG] |
| （或 arXiv:2510.16511v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2510.16511 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Dongchan Cho [查看邮箱]
[v1]
2025年10月18日 星期六 13:53:41 UTC（1,128 KB）
[v2]
2026年10月21日 星期三 01:56:40 UTC（1,145 KB）
来源：arXiv cs.AI · arxiv.org