DARTs: A Dual-Path Robust Framework for Anomaly Detection in High-Dimensional Multivariate Time Series

📄 arXiv: 2512.13735v1 📥 PDF

作者: Xuechun Liu, Heli Sun, Xuecheng Wu, Ruichen Cao, Yunyun Shi, Dingkang Yang, Haoran Li

分类: cs.LG, cs.AI

发布日期: 2025-12-14

💡 一句话要点

提出DARTs：一种双路径鲁棒框架，用于高维多元时间序列异常检测。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 多元时间序列 异常检测 图神经网络 时空依赖 鲁棒性

📋 核心要点

  1. 现有多元时间序列异常检测方法在高维噪声数据中难以鲁棒地捕获长程时空依赖关系，导致检测性能下降。
  2. DARTs通过双路径结构，分别建模短期和长期时空依赖，并使用窗口感知软融合机制过滤噪声，提升鲁棒性。
  3. 在主流数据集上的实验表明，DARTs相比现有方法具有优越性和鲁棒性，并通过消融实验验证了关键组件的设计有效性。

📝 摘要（中文）

多元时间序列异常检测(MTSAD)旨在准确识别和定位大规模工业控制系统中复杂的异常模式。现有方法在低维场景下识别不同模式表现出色，但在高维噪声时间序列中学习表征时，通常无法鲁棒地捕获长程时空依赖关系。为了解决这些限制，我们提出了DARTs，一个具有窗口感知时空软融合机制的鲁棒长短期双路径框架，主要由三个互补组件组成。具体而言，在短期路径中，我们引入了一个多视图稀疏图学习器和一个扩散多关系图单元，它们协同工作以自适应地捕获高噪声时间序列中的分层判别性短期时空模式。在长期路径中，我们设计了一个多尺度时空图构造器，以在高维表示空间中建模显著的长期动态。最后，引入窗口感知时空软融合机制来过滤残余噪声，同时无缝集成异常模式。在主流数据集上的大量定性和定量实验结果表明了我们提出的DARTs的优越性和鲁棒性。还进行了一系列消融研究，以探索我们提出的组件的关键设计因素。我们的代码和模型将很快公开发布。

🔬 方法详解

问题定义：论文旨在解决高维多元时间序列异常检测问题。现有方法在高维噪声环境下难以有效捕捉长程时空依赖关系，导致异常检测性能下降。这些方法通常无法区分噪声和真正的异常信号，从而产生大量的误报。

核心思路：DARTs的核心思路是利用双路径结构分别建模短期和长期时空依赖关系，并通过窗口感知的时空软融合机制来过滤噪声，从而提高异常检测的鲁棒性和准确性。短期路径侧重于捕捉局部细粒度的异常模式，而长期路径则关注全局的动态变化。

技术框架：DARTs框架包含三个主要组件：短期路径、长期路径和窗口感知时空软融合机制。短期路径由多视图稀疏图学习器和扩散多关系图单元组成，用于自适应地捕捉高噪声时间序列中的分层判别性短期时空模式。长期路径通过多尺度时空图构造器建模高维表示空间中的显著长期动态。最后，窗口感知时空软融合机制用于过滤残余噪声，并将短期和长期路径的信息进行融合。

关键创新：DARTs的关键创新在于其双路径结构和窗口感知软融合机制。双路径结构能够同时捕捉短期和长期的时空依赖关系，从而更全面地理解时间序列的动态。窗口感知软融合机制能够根据时间窗口内的信息动态地调整短期和长期路径的权重，从而有效地过滤噪声并突出异常信号。与现有方法相比，DARTs能够更鲁棒地处理高维噪声数据，并提高异常检测的准确性。

关键设计：多视图稀疏图学习器通过学习多个不同的图结构来捕捉时间序列中不同的关系模式。扩散多关系图单元利用图卷积网络来传播节点之间的信息，从而捕捉更复杂的时空依赖关系。多尺度时空图构造器通过使用不同的时间窗口来捕捉不同尺度的长期动态。窗口感知软融合机制使用一个可学习的权重矩阵来动态地调整短期和长期路径的权重。损失函数包括异常检测损失和稀疏性约束损失，以鼓励模型学习稀疏的图结构。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，DARTs在多个主流数据集上均取得了优于现有方法的性能。例如，在SWaT数据集上，DARTs的F1-score相比最佳基线提高了5%以上。消融实验验证了双路径结构和窗口感知软融合机制的有效性，表明这些组件对DARTs的性能提升至关重要。

🎯 应用场景

DARTs可应用于大规模工业控制系统、金融风险管理、网络安全监控等领域。通过准确识别和定位异常模式，DARTs能够帮助用户及时发现潜在的故障、欺诈行为或安全威胁，从而降低运营成本、提高生产效率和保障系统安全。该研究对提升高维多元时间序列异常检测的鲁棒性和准确性具有重要意义。

📄 摘要（原文）

Multivariate time series anomaly detection (MTSAD) aims to accurately identify and localize complex abnormal patterns in the large-scale industrial control systems. While existing approaches excel in recognizing the distinct patterns under the low-dimensional scenarios, they often fail to robustly capture long-range spatiotemporal dependencies when learning representations from the high-dimensional noisy time series. To address these limitations, we propose DARTs, a robust long short-term dual-path framework with window-aware spatiotemporal soft fusion mechanism, which can be primarily decomposed into three complementary components. Specifically, in the short-term path, we introduce a Multi-View Sparse Graph Learner and a Diffusion Multi-Relation Graph Unit that collaborate to adaptively capture hierarchical discriminative short-term spatiotemporal patterns in the high-noise time series. While in the long-term path, we design a Multi-Scale Spatiotemporal Graph Constructor to model salient long-term dynamics within the high-dimensional representation space. Finally, a window-aware spatiotemporal soft-fusion mechanism is introduced to filter the residual noise while seamlessly integrating anomalous patterns. Extensive qualitative and quantitative experimental results across mainstream datasets demonstrate the superiority and robustness of our proposed DARTs. A series of ablation studies are also conducted to explore the crucial design factors of our proposed components. Our code and model will be made publicly open soon.