A novel anomaly detection method for multivariate time series based on spatial-temporal graph learning
Notice bibliographique
Résumé
Anomaly detection for multivariate time series is crucial in real-world applications, including industrial equipment monitoring and predictive maintenance, financial risk management, smart city and traffic management, as well as environmental monitoring. However, the multivariate time series data exhibit high dimensionality, complex spatiotemporal dependencies, and nonlinear interactions between variables, making anomaly detection in such data a significant challenge. Most existing methods struggle to effectively capture these complex nonlinear relationships or explicitly model the spatiotemporal dependencies in multivariate time series. To address these limitations, we propose a novel approach for multivariate time series anomaly detection, called long short-term memory, temporal convolution and graph convolution (LTG), which is based on spatial-temporal graph learning. LTG uses Correlation Learning (CL) layer to acquire pairwise correlations, generating a graph adjacency matrix. This matrix is then fed into a Spatiotemporal Graph Neural Network (STGNN), composed of a Long Short-Term Memory (LSTM) Network, a Temporal Convolution Network (TCN), and a Graph Convolution Network (GCN), to capture the rich temporal and spatial dependencies in multivariate time series and accurately model these relationships. Finally, a PCA-based anomaly scorer is employed to output anomaly scores. Experimental results show that on the WADI and SMD datasets, LTG outperforms the state-of-the-art multivariate anomaly detection framework correlation-aware spatial-temporal graph learning (CST-GL) in both overall detection and early detection performance. Notably, on the WADI dataset, LTG’s average early detection performance across 6 different delay-constrained time points exceeds CST-GL by 10.64 percentage points.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».