摘要：无监督多变量时间序列异常预测（AP）旨在基于当前观测值估计未来的异常风险，为复杂系统中的主动干预与维护提供早期预警信号。现有的无监督AP方法大多采用基于扰动的范式，即在历史窗口中注入预定义或随机的扰动，以模拟未来可能出现的异常演化。然而，这些方法在不同变量和场景之间共享同一类扰动，并学习一种确定性的历史到未来的演化模式。实际上，异常演化具有显著的变量与情境依赖性：同样的扰动在某一变量或情境下可能被放大为异常的未来动态，而在另一情境下却可能被吸收为正常的波动。此外，未来演化并不完全由单一的历史窗口所决定，因为相似的历史轨迹可能对应多种合理的演变路径，例如渐进式退化或突发性变化。为解决上述问题，我们提出EVOLVE框架，该框架通过变量与情境条件化的扰动以及不确定性感知的未来推理，统一建模无监督AP任务。EVOLVE借助自适应的异常原型记忆构建情境特定的异常扰动，能够在变量层面动态更新并检索相关扰动。同时，EVOLVE通过采样多个潜在的历史状态，并分别解码互补的平滑演化假设与偏差放大演化假设来刻画不确定性；而各解码得到的未来轨迹之间的分歧，则用于估算未来的异常风险。在六个真实世界基准数据集上的大量实验表明，EVOLVE的表现始终优于当前最先进的异常预测基线方法。
提交历史
访问 Paper：
查看PDF
HTML（实验性）
TeX 源代码
附加功能
音频摘要
当前浏览上下文：
参考文献与引用
谷歌学术
语义学者
书签
机构
arXivLabs 是一个框架，允许合作者直接在我们的网站上开发并共享新的 arXiv 功能。
无论是个人还是与 arXivLabs 合作的机构，都已认同并践行我们所倡导的开放、社区、卓越以及用户数据隐私等价值观。arXiv 致力于坚守这些价值观，并且只与同样秉持这些理念的合作伙伴开展合作。
您是否有一个能为 arXiv 社区创造价值的项目构想？欢迎了解更多关于 arXivLabs 的信息。