基于多视角Mamba的物联网多元时间序列异常检测框架MambaAD研究

【编辑推荐】本文提出MambaAD框架，通过线性时间状态空间模型（SSM）解决物联网（IoT）中多元时间序列异常检测（MTSAD）的两大挑战：传统Transformer架构的二次计算复杂度问题，以及有限敏感训练数据导致的过拟合问题。创新性采用双向Mamba模块捕捉时序依赖和信号间关联，结合掩码表征学习策略提升泛化能力，在6个真实数据集上实现效率与精度的双重突破。

　　

亮点

• 首创结合多视角Mamba与MTSAD的重建框架，突破传统Transformer和图学习的计算瓶颈

• 双向Mamba模块双分支设计：分别学习时序模式（intra-signal）和信号关联（inter-signal）

• 掩码表征学习策略：通过对比学习重构被遮蔽标记，避免直接扰动敏感数据

结论

本研究提出的MambaAD框架，通过线性时间SSM模型同步捕获信号内依赖性与信号间相关性，在NASA火星车（MSL/SMAP数据集）、服务器节点（PSM数据集）等6个真实场景中，其推理速度较Transformer基线提升3倍且F1-score提高12.7%。该成果为IoT设备实时监控提供了兼具效率与鲁棒性的新范式。

（注：翻译严格保留术语如State Space Model/SSM、F1-score等专业表述，并采用"火星车""服务器节点"等生动场景描述）