TECamba:基于传递熵的因果建模方法,用于非平稳时间序列中的异常检测
《Neurocomputing》:TECamba: Transfer entropy-based causal modeling for anomaly detection in nonstationary time series
【字体:
大
中
小
】
时间:2026年04月08日
来源:Neurocomputing 6.5
编辑推荐:
多变量时间序列异常检测面临非平稳动态挑战,现有因果方法依赖静态建模易混淆正常变异与真实异常。本文提出TECamba框架,通过自适应转移熵捕捉动态因果强度,结合门控Mamba编码器建模时变依赖演化,并设计双分支重建机制分离强弱因果模式,实现更精准的异常识别。在八大数据集验证中表现最优。
Jiaqi Zhang|Jing Li|Yuanning Cui|Fei Li|Ming Wang|Luhang Wang
南京航空航天大学,中国江苏南京 211100
摘要
多变量时间序列异常检测在工业监控和金融系统等领域发挥着至关重要的作用。然而,现有的基于因果关系的方法依赖于静态的因果建模,难以区分真正的异常与由非平稳动态(包括趋势变化、周期性模式和不断演变的因果依赖关系)引起的正常变化。这种局限性通常导致较高的误报率。在本文中,我们提出了TECamba,这是一个基于因果关系的框架,用于建模随时间变化的动态因果模式。具体来说,我们使用自适应传递熵来估计时变因果强度,并通过门控建模来捕捉其演变过程。异常通过双分支重构机制被识别出来。在多个基准测试上的实验结果表明,与非平稳场景相比,TECamba的性能具有竞争力或更优。
引言
多变量时间序列异常检测在工业监控、金融风险控制等领域至关重要[1]。然而,现实世界中的时间序列本质上是非平稳的,其统计特性和联合分布会随时间连续变化[2]。这种非平稳性通常表现为分布漂移(统计矩如均值和方差逐渐变化)、制度转换(涉及不同运行状态之间的突然转变)以及不断演变的因果依赖关系(变量之间的有向影响随时间变化)。这些特性挑战了ARIMA等经典模型的假设[3]。随着深度学习的兴起,最近的时间序列异常检测方法通过利用基于预测的方法[4]、基于重构的方法[5]、基于图的方法[6]或基于扩散的方法[7]取得了有希望的结果。前三类方法通常假设依赖关系是平稳的,可能无法完全捕捉到变量之间演变的关系。而基于扩散的方法虽然可以建模动态统计模式,但缺乏对结构变化的显式建模。
相比之下,基于因果关系的方法关注的是有向依赖关系,而不仅仅是相关性。由于因果结构反映了不变的生成机制,而相关性对分布变化敏感,这些方法可以更可靠地区分观察到的变化是源于潜在机制还是表面统计波动。例如,GCAD[8]执行分层格兰杰因果推理来构建动态因果图,将因果结构中的变化视为异常的敏感指标。CAROTS[9]将因果发现与对比学习相结合,以提高异常和正常变化之间的区分能力。MultiverseAD[10]在统一的框架中建模多变量时间序列的时空依赖关系和因果结构,用于异常检测。
因果异常检测不仅能够识别出了什么出了问题,还能解释为什么出问题,因为因果结构编码了系统的潜在生成机制。然而,在现实世界的非平稳环境中,变量之间的因果关系不是固定的,而是由于制度转换、环境变化和其他潜在因素而随时间演变。这使得使用因果结构作为可靠的异常指标变得困难,因为由正常系统动态引起的因果变化很容易与由真实故障引起的变化混淆。这就提出了一个关键问题:当这些结构本身是动态和不确定的时候,我们如何基于因果结构可靠地检测异常?
如图1所示,真正的异常和正常的制度转换都可能导致时变因果强度的突然变化。如果直接将这些波动解释为异常信号,就会将正常的结构演变与真正的异常混淆,从而导致高误报率。因此,关键挑战不仅在于准确估计因果关系,还在于区分因果变化是反映了系统的正常适应还是真正的中断。
现有的基于因果关系的异常检测方法由于三个相互关联的局限性而难以应对这一挑战。首先,大多数方法依赖于固定滞后假设和粗粒度估计,限制了它们捕捉细粒度、非线性和时变依赖关系的能力。其次,这些方法将因果结构视为静态或窗口平均的快照,忽略了它们的时间演变,导致正常的制度转换被误认为是异常。第三,现有方法仅将因果信息作为固定先验(如静态邻接矩阵)纳入检测,而没有将演变的结构知识整合进来。
为了解决这些局限性,我们提出了TECamba,这是一个用于非平稳多变量时间序列异常检测的基于因果关系的框架。其核心思想是显式建模因果交互的演变,并利用由此产生的动态结构信息来指导时间序列重构。具体来说,TECamba使用基于自适应滞后传递熵的结构感知因果估计器来捕捉非线性和时变依赖关系。然后通过基于门控的Mamba编码器将估计的因果强度矩阵建模为时间序列,跟踪它们的演变并区分渐进的制度转换和突然的中断。进一步将演变的因果模式分解为强成分和弱成分,每个成分引导一个专门的重构分支,并进行频率感知的调制。通过测量原始输入与重构输出之间的差异来识别异常。我们的主要贡献如下:
- •
我们提出了一个结构感知的传递熵框架,该框架能够自适应地估计不同时间延迟下的因果强度,并通过基于门控的Mamba机制捕捉它们的时间演变,从而实现细粒度的因果关系跟踪。
- •
我们设计了一种基于因果关系的双分支重构方案,将因果结构分解为强成分和弱成分,每个成分引导一个专门的分支,并进行频率调制,从而分别重构低频趋势和高频变化,以实现更准确的异常识别。
- •
在八个基准数据集上的广泛实验验证了TECamba的有效性,在非平稳条件下表现出与最先进方法相当的或更优的性能。
小节片段
非平稳时间序列中的异常检测
尽管在多变量时间序列异常检测(MTSAD)方面取得了显著进展,但现实世界的数据通常表现出非平稳动态,包括分布漂移和制度转换。这些特性违反了平稳性假设,从而影响了检测性能。为了解决这个问题,最近的无监督方法专注于建模时间依赖关系和动态结构。深度学习模型(如OmniAnomaly [11]和MSCRED [12])通过变分自编码器捕捉局部模式
问题陈述
给定一个多变量时间序列,长度为,我们将时间的每个观测值表示为,其中是传感器的数量。我们使用长度为的滑动窗口和步长将将分割成个重叠窗口。然后使用Z分数归一化(详见技术附录B.1)对每个窗口进行通道归一化,得到标准化的窗口。本工作的目标包括两个相互关联的目标。第一个是估计
数据集
我们在七个公开可用的真实世界数据集和一个合成数据集上评估了TECamba,包括SMAP [4]、MSL [4]、SMD [11]、SWaT [41]、MBA [42]、WADI [43]、NIPS-TS-SWAN [44]以及一个合成数据集。合成数据生成策略在附录C中给出。摘要统计在附录D中报告。
基线
我们将我们的方法与十一个代表性的时间序列异常检测基线进行比较,这些基线可以根据它们的核心建模方法大致分为五组
结论
在这项工作中,我们提出了一种基于因果关系的异常检测方法(TECamba),用于多变量非平稳时间序列。TECamba利用结构感知的传递熵模块自适应地捕捉不同时间延迟下的因果影响,并采用门控状态空间机制来建模它们的时间演变。通过分离强因果模式和弱因果模式,TECamba使用双分支重构来以频率感知的方式捕捉稳定和瞬态动态。
CRediT作者贡献声明
Jiaqi Zhang:撰写——原始草稿、方法论、调查、概念化。Jing Li:撰写——审稿与编辑、监督、方法论、概念化。Yuanning Cui:撰写——审稿与编辑、验证、形式分析。Fei Li:验证、软件开发、调查。Ming Wang:调查、形式分析。Luhang Wang:可视化、数据整理。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
Jiaqi Zhang,南京航空航天大学计算机科学与技术学院,中国南京 211106。Jiaqi Zhang于2024年获得南京航空航天大学的学士学位。他目前是南京航空航天大学的硕士生,主要研究兴趣包括深度学习和时间序列异常检测。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号