基于Mamba自适应异常Transformer的时间序列异常检测模型MAAT及其在工业监测中的应用

针对时间序列异常检测中存在的短时上下文敏感、计算效率低及噪声干扰等问题，研究人员提出Mamba自适应异常Transformer（MAAT），通过稀疏注意力（Sparse Attention）机制和Mamba选择性状态空间模型（Mamba-SSM）优化关联差异建模，结合门控注意力动态融合特征。实验表明MAAT在多个基准数据集上显著优于现有方法，为工业监控和环境传感等领域提供了更鲁棒的异常检测方案。

　　

时间序列异常检测是工业监控、环境感知和基础设施可靠性保障的核心挑战，但现有方法如Anomaly Transformer和DCdetector仍面临短时上下文敏感性、计算效率低下及噪声干扰等问题。尤其在高维非平稳数据中，传统统计模型（如ARIMA）和深度学习模型（如LSTM）难以捕捉复杂时序模式，而基于重构的方法易受相似异常干扰。

为突破这些局限，研究人员提出了Mamba自适应异常Transformer（MAAT）。该模型创新性地整合了稀疏注意力机制与Mamba选择性状态空间模型（Mamba-SSM）：稀疏注意力通过局部窗口（公式(3)）减少冗余计算，而Mamba-SSM以线性复杂度建模长程依赖。两者通过门控注意力（公式(8)-(9)）动态融合，平衡重构保真度与上下文增强。关联差异指标（AssDis，公式(10)）进一步优化异常判别的可解释性。

关键技术包括：（1）块稀疏注意力（Block-wise Sparse Attention）局部化关联计算；（2）Mamba-SSM选择性扫描长序列依赖；（3）门控跳跃连接（Gated Skip Connection）自适应加权特征；（4）基于KL散度的关联差异损失函数。实验采用MSL、SMAP等7个基准数据集，涵盖航天器传感器、水质监测等多领域时序数据。

研究结果显示：

1. 性能对比：在SMD数据集上，MAAT的F1-score达92.30%，较Anomaly Transformer提升2.18%；在MSL数据集召回率（R）达98.33%，优于DCdetector的97.40%。
2. 模块贡献：消融实验表明，稀疏注意力单独使用会降低MSL的召回率2%，但与Mamba-SSM结合后通过门控机制实现95.05% F1-score（表5）。
3. 噪声鲁棒性：在SWaT数据中，MAAT的Affiliation Precision（Aff-P）达56.26%，显著高于基线模型，证明其对工业噪声的适应性。

讨论指出，MAAT的创新在于通过稀疏化与状态空间模型的协同，解决了传统Transformer在长序列和噪声场景的局限性。其动态门控机制（如公式(9)中g→0/1的切换）可针对性处理突发异常与渐变趋势。未来工作可探索超参数自适应优化及在线学习架构，以进一步提升在实时监测中的适用性。该研究发表于《Engineering Applications of Artificial Intelligence》，为无监督时序分析提供了新范式。