《IoT》：Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Industrial-IoT Cyber-Physical Systems
编辑推荐：
工业物联网（IIoT）通过联网传感器与控制器对物理过程进行测量，持续输出多变量遥测数据，对此类遥测进行故障与网络攻击监测对系统的可靠性与安全性至关重要。机器学习是自然工具，但故障稀有且少有标注，因此有监督检测不切实际：检测器必须仅从未标注遥测中学习正常行为。在
工业物联网（IIoT）通过联网传感器与控制器对物理过程进行测量，持续输出多变量遥测数据，对此类遥测进行故障与网络攻击监测对系统的可靠性与安全性至关重要。机器学习是自然工具，但故障稀有且少有标注，因此有监督检测不切实际：检测器必须仅从未标注遥测中学习正常行为。在信息物理系统（CPS）中，该正常规律具有结构性：它是受物理与控制塑造的、由众多不平衡运行工况构成的并集，被形式化为十条大规模、隐式、不平衡、多模态（MIIM）假设。该结构暴露了主流方法的盲点：某故障在每一传感器上可能单独正常且可被准确重构，但在正常联合运行下却极不可能，因此基于重构的检测器度量的是可达性而非概率，从而漏检该故障。所提出的检测器 LatAD（潜在密度异常检测器）学习运行工况的潜在高斯混合聚类（VaDE，变分深度嵌入），以密度对异常打分，并将该密度在相关社区子系统上因子分解，再通过凝聚加权高阶批评（HC）统计量进行组合。在三个真实 IIoT 测试台上，LatAD 在 HAI 上取得所有学习型检测器中最优的全子集 AUROC（0.948），并在 HAI 的困难子集上领先（0.845；显著提升 +0.088，95% CI [0.042, 0.157]）；USAD 与 TranAD 在这些可重构但不可能的故障上降至 0.44–0.50。
研究背景方面，信息物理系统（CPS）将联网传感器、执行器与控制器同物理过程耦合，构成工业物联网（IIoT）的感知与执行层，对其遥测进行故障与攻击监测是可靠性与安全性的核心。此类系统即便每个传感器读数均处于正常范围、深度模型亦能准确重构完整传感器向量时，仍可能处于故障状态。在紧密耦合的工厂、车辆或机器中，正常行为散布于由物理、执行器限值与控制逻辑塑造的众多运行工况中，因此相关性的破坏、或落在两个合法工况之间的状态，可能完全可重构却在概率上极不可能。这类故障对状态监测与预测性维护最为关键：早期预警停留在熟悉的传感器范围内，却违反正常运行的联合结构。现代 CPS 将数百个传感与控制通道集成为持续感知自身状态并据以动作的整体，其故障无法枚举，许多故障以磨损或漂移形式缓慢发展直至引发非计划停机或安全关键失效。由于故障无法预先指定，必须从系统自身运行行为中发现，这正是异常检测的任务，即对偏离正常行为模型的无监督或半监督标记，因标注异常过于稀缺而无法训练分类器。正常遥测在整个设备机群与运行工况间持续累积，而每一具体故障或攻击稀有、多样且常与系统相关。现有问题在于：无监督 CPS 遥测异常检测常被框定为刻画异常，但该框架具有误导性；真实故障稀有且记录在案的少数故障难以覆盖系统失效方式，无法定义决策边界，甚至难以可靠用于模型选择，可用信息位于边界另一侧的丰富正常数据中。CPS 正常是一种特殊规律：由确定性物理、硬性执行器与设定值限值及工程控制塑造，是众多有界、弯曲运行工况（部分常见、许多稀有，各具合法低密度边缘）的并集，而非单一统计团块。若正常是众多不平衡工况的并集，全局异常模型会欠拟合工况结构，单一深度自编码器会对稀有但合法的工况报警（侵蚀信任的误报），而深度检测器所依赖的重构残差恰恰漏检可重构但不可能的联合结构故障；在故障确实留下重构信号之处，工况条件化残差仍具竞争力并可自动门控回流。第二大障碍是评估：文献主导指标点调整 F1 会严重虚高分数，以致随机异常分数可击败所有已发表深度模型；即便在原始指标下，公开 CPS 基准也由一行单变量规则即可分离的异常主导，故高调数字证明甚少。此外，运维代价高昂的故障常为缓慢的初期故障，停留在各通道正常包络内却逐渐跨越运行工况，比突发越界事件更难捕捉；而公开 CPS 数据集带真实标注异常者稀少且以攻击为中心，运维工厂遥测因安全保密原因鲜有发布，缓慢演进与工况间故障因此被公开基准低度代表。为此研究人员开展了本项研究，提出三项贡献：其一，社区因子化潜在密度检测器 LatAD，其设计遵循 CPS 正常数据十条结构性 MIIM 假设的显式清单，所报告模型实现其中七条（A1–A7），即具有显式高斯混合工况聚类的联合学习潜在表示（VaDE），在潜在空间由混合密度头与稀有工况安全的最近分量似然打分，并在工厂自身子系统（正常数据相关图的社区）上因子分解，再由凝聚加权高阶批评（HC）组合，该统计量在更多子系统出现轻度惊讶超过随机允许时报警，使被单一全局密度稀释的局部故障得以集中并定位到其子系统，每个报警附带面向运维的子系统分诊候选清单，重构被降级并仅通过门控残差头回流；其二，检测器无关的难度分层，基于通道的规则分离平凡可检异常，线性主成分子空间滤波（Hotelling T2 与平方预测误差）分离线性可检者，留下困难与双重困难子集，且被测检测器不参与其构造；其三，漂移感知的异常分型，将因果逐社区分解为缓慢在趋势基线与快速残差，将每个窗口分型为渐变漂移或突变变点，对变点分量打分可在严重非平稳的 SWaT 记录上恢复检测（困难子集 AUROC 由 0.524 升至 0.723），并将其正常窗口误报率由 79% 降至 6.5%，同时对平稳记录保持不变。研究人员在同一原始逐点指标下评估深度检测器 USAD、TranAD 与 GDN。结论显示：在仅用训练正常数据校准的原始指标、难度分层协议下，LatAD 在 HAI 困难子集领先（0.845，显著）并在 WADI 领先每个非线性检测器（0.771），与线性基线统计持平，而深度检测器 USAD 与 TranAD 在 HAI 上降至近随机（0.44–0.50）；在 WADI 上领先由社区因子化而非单一潜在承载；在 SWaT 上原始分数受漂移主导，漂移感知变点分型将困难子集恢复至 0.723（+0.200，p = 0.014）并将双重困难子集恢复至 0.671。将多模态正常视为单一团块或仅以重构打分，会漏检可重构但不可能的故障，这在 HAI 上最为明显；当故障确实留下重构信号时，工况条件化残差具竞争力，LatAD 将其门控回流。这些结果将仅正常数据的潜在密度建模定位为多变量 IIoT 遥测的异常监测方法，尤其在标签稀缺且异常行为局限于耦合物理子系统时。有两项性质使该检测器适合状态监测与预测性维护：以最近工况打分可防止稀有但合法状态（启动、稀有操作）向运维报警，而工况-社区密度可捕捉停留在各报警限值内的包络内、子系统局部故障。将 LatAD 扩展到轨迹假设（A9、A10 及与 A10 耦合的 A8 掩蔽形式）并在更多 CPS 系统上验证工况-社区实现，是自然的下一步。
关键技术方法方面，研究人员采用变分深度嵌入（VaDE）联合学习潜在表示与高斯混合工况先验；在潜在空间构建由混合密度头与最近分量负对数似然组成的打分栈，并附可自动门控的经 Ledoit–Wolf 收缩的协方差白化残差头；在正常数据通道相关图上以凝聚聚类构造社区子系统（规模 3 至 25 通道），对每个社区拟合独立小 VaDE 并以凝聚加权高阶批评（HC）统计量组合逐社区上尾 p 值；采用因果逐社区漂移/变点分解（滚动中位数基线、24 h 时间尺度）进行异常分型；评估采用原始逐点 AUROC 与最佳阈值 F1，并以移动块/事件级自助法进行显著性检验。数据队列来源为三个真实 CPS 测试台：WADI 水分配测试台（WADI.A1 2017 年 4 月发布，122 通道）、HAI 硬件在环工业控制系统测试台（HAI 20.07，59 通道）、iTrust 的 SWaT 安全水处理测试台（51 通道六阶段，2015 年 12 月发布）。
研究结果方面，总体检测：LatAD 在 HAI 上取得所有学习型检测器中最优的全子集 AUROC（0.948），超越所有基线与三个深度检测器；在 WADI 上以 0.827 超越每个被评估的非线性检测器，线性基线略高（0.834 对 0.827）；在 SWaT 上全子集分数被压缩并由平凡 max|u| 规则领先（0.853），原始社区分数达 0.788，高于深度检测器（0.761–0.763）但低于平凡规则，漂移感知分型将其提升至 0.880；相对单一潜在基线的增益来自在工况社区上因子化密度，且在困难子集上最大。困难子集：该子集是设计目标；最清晰演示为 HAI，LatAD 达 0.845（167 窗口跨 26 攻击事件），远高于 AutoEncoder（0.757）并远超近随机的 USAD 与 TranAD，相对 AutoEncoder 的边际统计显著（事件块自助法配对差 +0.088，95% CI [0.042, 0.157]，p < 0.0005）；在 SWaT 原始困难子集受漂移主导，原始社区分数 0.524 高于每个深度检测器（0.473–0.477）与单一潜在（0.472），但与最强线性基线未分离（相对 LinRes 0.464 的 +0.060，95% CI 含零），漂移感知变点分解将 SWaT 困难子集恢复至 0.723（显著 +0.200）；在 WADI LatAD 达 0.771（30 困难窗口跨 8 攻击事件），显著领先每个非线性检测器（相对 AutoEncoder +0.143，p = 0.001；USAD +0.192，p < 0.0005；TranAD +0.157，p = 0.0005；Isolation Forest +0.136，p < 0.0005；GDN +0.111，p < 0.0005），与线性基线 LinRes（0.750）无显著差异（+0.020，95% CI [?0.161, 0.205]，p = 0.46）；WADI 领先由社区密度聚合承载（凝聚加权 HC 0.795），单一潜在全局密度在该困难子集仅 0.634，故社区因子化而非单一潜在提供 WADI 信号；与线性基线的持平符合机制预期，跨通道潜在密度这一 LatAD 特有杠杆在 HAI 上增加 +0.200 而在 WADI 仅 +0.017，故 WADI 困难故障不含仅跨通道结构。难度划分有效性：平凡 max|u| 规则在 Easy 上强（WADI 0.999，HAI 0.966，SWaT 0.997）而在困难子集下降（WADI 0.601，HAI 0.340，SWaT 0.627），表明困难子集正是该单变量最大均值规则最不能分离的异常，故在此得分高者检出了单变量规则漏检的异常；HAI 上下降最陡至近随机，WADI 上部分残差仍为单通道或线性（故线性基线保持竞争力），SWaT 上规则在困难子集仍偏高（0.627）本身即为漂移特征。对更强难度定义的稳健性：以全部六个标准化逐通道统计量的最大值超过其训练正常 99 百分位作为 Easy 的更强划分，在所得 HAI 困难子集（110 窗口）上单一潜在 LatAD 仍领先每个基线（0.675，对线性跨通道基线 0.622、AutoEncoder 0.604、Isolation Forest 0.528），故 HAI 优势非特定统计量定义难度的产物。双重困难子集：进一步从困难子集中移除线性主成分子空间已分离的每个窗口，在所得双重困难窗口上（WADI 29/8，HAI 55/13，SWaT 28/9），LatAD 在 WADI 与 HAI 取得最高 AUROC（0.763 与 0.648），数值上领先最强基线 LinRes（WADI +0.021，HAI +0.101）；SWaT 原始密度分数在该子集受漂移主导（0.178），漂移感知变点分型将其恢复至 0.671。原始指标下的深度 SOTA：以原始逐点指标重算，USAD 与 TranAD 在 HAI 困难子集降至 0.497 与 0.445，近随机且远低于 LatAD 的 0.845，而在 Easy 上仍强（0.94–0.99）；在 WADI 上未崩溃但落后 LatAD（0.579/0.613 对 0.771），这是"进步幻觉"的具体体现：在点调整 F1 下看似强的模型在原始指标下几乎无困难故障信号，且在故障破坏联合结构处损失最剧。增益来源：困难子集优势主要由跨通道密度建模驱动而非窗口表示（后者为独立且较小的互补杠杆）；以逐通道边缘密度的通道无关乘积替换跨通道潜在密度可分离跨通道结构的信号来源，跨通道密度在 HAI 较通道无关基线增加 +0.200，而在 WADI 困难子集几乎无贡献（+0.017），WADI 困难异常为单通道或线性故逐通道边缘已足够；SWaT 上原始跨通道密度受漂移主导且未超过边缘乘积（?0.050）。头部级分解表明潜在密度锚定基础分数，在相关社区上因子化进一步提升困难子集，在 WADI 与 HAI 上最明显。漂移谱与漂移感知异常分型：研究测量漂移为测试正常窗口中逐窗口平均社区惊讶超过训练正常 99 百分位的比例，三个基准跨度为 WADI 1.5%、HAI 39%、SWaT 69%；该排序有物理依据，WADI 两日测试记录无组件老化故正常实际平稳，HAI 携带中等前置漂移（两个阀位与涡轮社区的衰减水平偏移，测试记录早期开始并逐渐松弛），SWaT 为连续十一日运行且漂移大、单调、局限于过程分析仪与反渗透列车，漂移社区恰为分析仪通道与 RO 流量压力通道构成者，符合反渗透膜污染与分析仪电极漂移的物理特征，故逐社区漂移图本身即为物理依据的退化定位信号。漂移感知变点分型通过时间特征而非幅度分离良性漂移与缓慢演进故障：慢于工厂最慢控制回路的偏离视为漂移并吸收，在该时间尺度上产生快速偏差者分型为变点并报告；逐社区惊讶的因果分解用仅过去窗口，缓慢在趋势基线为过去 24 小时墙钟时间的惊讶滚动中位数，快速残差为惊讶减该基线后除以同窗口滚动中位数绝对偏差与训练正常校准偏差中的较大者，故任何社区敏感性不超过训练时；当快速残差超过校准 99 百分位时分型为变点，当缓慢基线单独偏离训练分布时分型为漂移。对 SWaT，变点分数将社区融合从漂移主导的困难子集 0.524 与双重困难 0.178 提升至 0.723 与 0.671（全子集 0.788 升至 0.880），相对所报告分数在每个子集上增益显著（困难 +0.200，95% CI [0.018, 0.355]，p = 0.014；双重困难 +0.493，95% CI [0.349, 0.619]，p < 0.001；全子集 +0.092，95% CI [0.019, 0.301]，p = 0.006），相对 SWaT 上最强干净替代平凡 max|u| 规则，困难子集领先 +0.096（p = 0.031）、双重困难子集领先 +0.157（p = 0.036）；训练校准阈值下正常窗口误报率由 79% 降至 6.5%；同一阈值下攻击检测率总体为 0.687、困难子集为 0.330（对比在 79% 正常窗口触发的未分型阈值下的 0.918 与 0.791），故分型以小幅召回损失换取误报大幅降低，且恢复对 24 小时基线不敏感（12、24、48 小时下困难子集 AUROC 为 0.757、0.723、0.706）；SWaT 增益是排序（AUROC）的改进而非固定报警阈值下恢复的检测。在 WADI（平稳）与 HAI（中等前置漂移）上同一 24 小时时间尺度的分解近似无操作：HAI 困难 0.845 至 0.835（在种子变异内），WADI 困难 0.771 至 0.779，均在自助区间内。分型对唯一可用真值即攻击标签（此处仅用于评估）验证：在所报告检测器标记为异常的窗口中，SWaT 74.8%、HAI 88.5%、WADI 61.9% 分型为变点；在携带漂移的已标记正常窗口中，SWaT 97.4%、HAI 92.5% 分型为漂移，WADI 漂移正常比例可忽略（1.5%），即攻击分型为变点、漂移正常分型为漂移，正是该分解预期产生的模式。三项警示：其一，排序恢复但重度漂移记录段中可部署的绝对报警阈值不自动随之而来，滚动尺度使整个晚期 SWaT 记录收缩，故固定训练校准阈值在此欠触发，尽管晚期攻击相对于同期正常排序在 94 至 98 百分位，重度漂移部署需在分型之上增加滚动校准，本研究未报告；其二，仅将每个攻击相对于同段记录的正常窗口排序，SWaT 25 个窗口化攻击事件中有两个（一个有已发布目标，23 个贡献困难窗口）下降超过 0.10（其中一个位于 10 小时攻击的 24 小时阴影内，该攻击的残差抬高了机械社区的滚动偏差），而有五个上升，HAI 与 WADI 无下降；其三，注入的合成斜坡在很大程度上被因果基线移除，但单侧滚动中位数滞后斜坡半个窗口，这在 WADI 两日测试记录（基线窗口的两倍）上留下残差偏差，实际中为无操作因 WADI 不携带真实漂移。子系统定位：按训练正常 p 值排名的三社区候选清单在 HAI 68% 的攻击中包含被攻击子系统，同规模随机清单为 56%；该排名即高阶批评组合器已计算的排名，社区按训练正常上尾 p 值排序（校准惊讶退化的社区无 p 值且不参与排名），每个攻击事件命名一次顶部社区；在 HAI 上该单一命名社区在 39% 的攻击（38 次中的 15 次）中包含被攻击通道，而覆盖感知随机基线（同规模随机命名社区包含被攻击通道的概率）为 25%（p = 0.024），命名社区平均含 59 通道中的 6 个；WADI 显示相同模式（top-1 0.33 对随机 0.13，top-3 0.56 对 0.31），与 HAI 方向一致（9 次攻击上 p = 0.086）；在 SWaT 测得漂移下训练正常社区排名无信息，故定位仅报告 HAI 与 WADI。两项局限：惊讶漂移超出校准范围的社区被不成比例地频繁命名，故指针为分诊候选清单而非诊断；因较大社区更易被命中，报告命名社区规模，且 top-3 头条陈述针对覆盖感知基线。
讨论部分总结如下：在原始指标、难度分层协议、仅训练正常校准下，LatAD 在 HAI 困难子集领先（0.845，显著）并在 WADI 领先每个非线性检测器（0.771），与线性基线持平，而深度检测器 USAD 与 TranAD 在 HAI 上近随机（0.44–0.50）；在 WADI 上社区因子化而非单一潜在承载领先；在 SWaT 上原始分数受漂移主导，第 7 节的漂移感知变点分型将困难子集恢复至 0.723、双重困难恢复至 0.671。将正常建模为联合学习潜在加显式工况聚类、以概率打分并在工厂子系统上因子化，是 WADI（平稳）与 HAI（中等前置漂移）上优势的来源；因果漂移/变点分解将其扩展到严重非平稳的 SWaT 记录。重构为何失败而密度成功：USAD 与 TranAD 以重构打分；在多模态正常数据上重构与概率发散，一个训练以再现多个工况的灵活解码器在工况间插值，故一个不可能的工况间或工况内尾组合落在解码器可达范围内并以低误差重构；以密度而非重构打分是正确默认，仅潜在密度头（无残差项、无因子化）在 HAI 与 WADI 困难子集上即优于 USAD 与 TranAD，此处故障可重构但不可能；在 SWaT 上原始困难子集受漂移主导，每个快照分数无论其头部均被压缩至漂移地板，第 7 节的漂移感知分型加以解决（0.723）。在 HAI 上重构检测器将困难异常（已标注攻击）置于正常运行的中位数，而密度头将其置于第 93 百分位；27% 的 HAI 困难异常重构至少与典型正常窗口一样好却在密度上超过第 90 正常百分位；在 WADI 上该比例为 0，且 70% 的困难异常在两种分数下均弱，故社区因子化而非头部承载 WADI 增益。经训练正常白化的重构残差仍强于深度检测器所用重构，故 LatAD 在其泛化到留出正常之处将其保留为门控头而非丢弃。局部密度为何优于全局密度：局部故障被单一全局密度稀释而被逐社区密度集中，这是 WADI 增益的机制，局限于小相关子系统的协调偏离（偏移）在该子系统自身密度下不可能而在整厂密度下不显著，故因子化提升 WADI 困难子集分数（0.634 → 0.795）。头部级分解支持机制：潜在密度锚定基础分数，重构仅在泛化到留出正常处被添加回流。关于假设 A8（工况间重叠），其前条件邻接但不同工况在每个筛查的多回路工厂成立，而重度重叠本身缺失，过覆盖模式已由所报告模型防御（80 分量密度头漏检约 13% 而对两张量头约 80%），掩蔽模式仅能通过窗口到达路径识别故归入 A10 留给运维规模数据。密度泛化线性残差：在单一高斯下负对数密度即白化（Mahalanobis）残差能量，留一通道线性回归器恰好读出该逆协方差，故 LinRes 是密度检测器的单全协方差高斯特例而非不同方法；LatAD 在两个方向泛化它（工况混合与非线性潜在编码），故当正常为单峰且线性通道关系时退化为线性残差，仅在正常偏离单一线性高斯时分离，跨通道潜在密度在 HAI 增加 +0.200 而在近单模 WADI 仅 +0.017（轮廓系数 0.06），故 LatAD 在 HAI 取胜并在 WADI 正确退化为线性基线。基准覆盖作为可诊断性质：HAI 上一个工况几乎缺席训练记录（训练窗口 0.4% 对测试 6.3%）并在训练结束后作为连续测试正常窗口块出现，LatAD 自身工况模型将其标记为未见工况且其 5% 预算误报集中于此，这是记录时长限制而非故障。轨迹假设 A9–A10 与基准规模：所报告模型为仅窗口并利用瞬时结构假设 A1–A7；A9 作为测得性质存在于数据（逐通道自相关时间尺度在三个工厂跨 3.4 至 3.7 个数量级），在此窗口尺度仅部分可利用，HAI 上更长 600 样本窗口对历史无攻击部分的困难子集增加约 +0.06 AUROC，WADI 与 SWaT 上更长窗口无帮助；A10 在这些测试下无证据而非仅未观测，三个条件评分器在合成阳性对照上验证并经顺序打乱对照保护，在排除历史已含攻击的窗口后于三个基准上未发现边际正常但给定历史不可能的窗口；故"快照可检"对这些基准是测得发现而非假设。A8 至 A10 及 A5 的稀有工况防护在公开 CPS 基准上登记为缺失、惰性或未行使，恰因这些基准小且单模；这些是可用数据的性质而非方法的性质。替代实现与验证：MIIM 假设固定要建模的结构而非估计器，故第 4 节检测器是更大设计空间中的一点；社区构造与组合器设置跨数据集共享且不逐数据集调参；在更多 CPS 系统上验证工况-社区实现是下一测试，因其构建与校准仅用训练正常数据，该测试无需标签。运维输出：三项面向实践者的性质组合为一个部署故事，仅用训练正常统计与在线逐窗口打分——站点从其自身正常遥测启用而无需标注攻击，每个报警经按训练正常 p 值排名的三社区候选清单定位到物理子系统，且在漂移记录上第 7 节的漂移感知分型将正常窗口误报率保持在 6.5%（低于未分型的 79%）同时恢复检测，三者均在附录 B 的边缘训练与推理预算内运行。局限：三项边界条件——三个数据集、每数据集一个训练配置（五种子评估）、单一瞬时表示；三个基准行使瞬时结构假设 A1 至 A7，主张限于此；其运行工况众多但弱分离（BIC 偏好 22 至 25 分量，轮廓系数 0.06 至 0.29）围绕单一标称运行点，记录短，故 A8 掩蔽形式与轨迹假设 A9、A10 未被强行使而留给运维规模数据；WADI 结果基于移除重标定分析仪通道的 122 通道集，HAI 测试记录含一个几乎缺席训练的工况，所有报告数字仍用全测试集；AUROC 无阈值且为五种子均值，F1 列为最佳阈值原始 F1；简单/困难划分为平凡检测器训练正常 99 百分位阈值这一单一截断的性质；仅报告原始逐点指标，不对任何方法施加点调整，故报告数字低于点调整排行榜数字。研究结论部分翻译如下：研究人员将 CPS 正常数据的结构性假设重述为显式 MIIM 清单（A1–A10）并构建 LatAD，该检测器将正常建模为联合学习潜在加显式工况聚类，以该潜在中的概率而非重构对异常打分，将密度在工厂相关社区子系统上因子化，并添加因果漂移/变点分型以分离真实异常与正常自身的迁移。在三个真实 CPS 攻击基准上的原始指标、难度分层协议下，LatAD 在 HAI 困难子集领先，相对最强基线具统计显著边际（配对 95% CI [0.042, 0.157]），而深度检测器近随机，在 WADI 与线性基线统计持平；在漂移主导的 SWaT 记录上，漂移感知变点分型将困难子集恢复至 0.723（+0.200，p = 0.014）。将多模态正常视为单一团块或仅以重构打分，会漏检可重构但不可能的故障，在 HAI 上最明显，深度检测器在此降至随机；当故障确实留下重构信号时，工况条件化残差具竞争力且 LatAD 将其门控回流。这些结果将仅正常数据的潜在密度建模定位为多变量 IIoT 遥测的异常监测方法，尤其在标签稀缺且异常行为局限于耦合物理子系统时。两项性质使该检测器适合状态监测与预测性维护：以最近工况打分可防止稀有但合法状态（启动、稀有操作）向运维报警，而工况-社区密度可捕捉停留在各报警限值内的包络内、子系统局部故障。将 LatAD 扩展到轨迹假设（A9、A10 及与 A10 耦合的 A8 掩蔽形式）并在更多 CPS 系统上验证工况-社区实现，是自然的下一步。
