多变量时间序列异常检测的图空时过程与缺失值
内容提要
本文综述了基于图学习的多元时间序列异常检测方法，包括：关系感知时空图学习捕捉变量成对关系；自监督框架结合图注意力与预测和重构；GTA自动学习图结构并用Transformer建模时间依赖；DyGraphAD利用动态跨序列图；MadSGM综合重建、密度与梯度度量；MTGFlow采用动态图和实体感知归一化流；GCN-M处理缺失值交通预测。文章还系统评估了深度学习方法，提出组合F-score，并发现动态高斯评分优于静态评分。
延伸解读
图结构学习成为多元时序异常检测的核心线索
文中多项工作都围绕“变量间关系”建模展开：关系感知时空图学习捕捉成对关系，GTA自动学习图结构，DyGraphAD利用动态跨序列图，MTGFlow则结合动态图与实体感知归一化流。这说明该领域正从静态、预定义图转向可学习、动态演化的图结构，以更贴合传感器或实体间关系随时间变化的实际场景。
评分函数的选择可能比换模型更关键
系统评估部分提出组合F-score，并发现动态高斯评分优于静态评分，且评分函数的选择往往比基本模型的选择更重要。一个简单检测器——基于单变量全连接自编码器加动态高斯评分——在异常检测和诊断上胜过了现有算法。这提示实践者：在堆叠复杂模型前，应先审视异常评分的动态性与评估指标是否匹配任务。
缺失值与可解释性是被单独处理的两类现实问题
GCN-M专门面向含复杂缺失值的交通流量预测，说明缺失值会显著影响时空图方法的可靠性，需要单独设计动态图学习模块。另一方面，自监督图注意力框架和基于传感器关系注意力权重的方法都强调可解释性与根因分析。对落地应用而言，检测异常之外能否解释“哪个变量、哪段关系出错”同样重要。
Q&A
多变量时间序列异常检测中，基于图学习的方法主要有哪些类型？
文章综述了多种基于图学习的方法，包括：关系感知时空图学习（捕捉变量成对关系）、自监督框架结合图注意力与预测重构、GTA（自动学习图结构并用Transformer建模时间依赖）、DyGraphAD（动态跨序列图）、MadSGM（综合重建、密度与梯度度量）、MTGFlow（动态图和实体感知归一化流）以及GCN-M（处理缺失值交通预测）。
GTA框架在多元时间序列异常检测中有什么特点？
GTA是一种新的多元时间序列异常检测框架，具有自动学习图结构、图卷积和使用基于Transformer的架构建模时间依赖性等特点。在四个公开基准上的实验证明其优于替代的最新技术水平。
DyGraphAD如何利用动态跨序列图进行异常检测？
DyGraphAD通过利用图的演化特性辅助图和时间序列预测任务，从而根据跨序列关系和时间模式的偏离来检测异常状态，并在实际数据集上验证了其胜过基线异常检测方法的性能。
MadSGM模型考虑了哪些异常度量因素？
MadSGM是一种基于评分的生成模型，考虑了最广泛的异常度量因素：基于重建、基于密度和基于梯度的异常度量。在五个真实世界基准数据集上的实验证明，MadSGM实现了最稳健和准确的预测。
MTGFlow方法如何实现多元时间序列异常检测？
MTGFlow是一种基于无监督学习的方法，通过动态图和实体感知归一化流实现。它学习实体之间的互动关系以及实体本身的特征，利用实体感知的归一化流将每个实体表示为参数化的正态分布，并通过聚类策略对具有类似特征的实体进行共同性建模，实现更精确的密度估计。在超过七个基线模型的五个公共数据集上取得了5.0 AUROC%的性能提升。
在评估时间序列异常检测方法时，组合F-score度量有什么作用？
组合F-score（Fc1）度量考虑了异常事件的相关性和检测器的复杂性，用于系统评估无监督和半监督的深度学习方法。实验表明，通过动态评分函数相比静态评分函数更能提高检测的准确性，且评分函数的选择往往比基本模型的选择更为重要。
对于具有缺失值的交通流量预测，GCN-M方法是如何处理的？
GCN-M是一种基于图卷积网络和动态图学习模块的方法，用于在具有复杂缺失值的时空上下文中处理交通流量预测任务。实验结果表明，所提出的方法具有可靠性。
在多元时间序列异常检测中，动态评分函数与静态评分函数哪个更有效？
实验结果表明，通过动态评分函数相比静态评分函数，更能提高检测的准确性。并且发现了一个简单而有效的检测器，即基于单变量完全连接的自编码器，采用动态高斯评分函数，在异常检测和诊断方面胜过了现有的算法。
