论文速递|Graph-MoE模型让多元时间序列异常检测更精准

0

来源:思陌Ai算法定制

在工业物联网和智能运维领域,多元时间序列数据(如服务器传感器数据、设备运行状态)的异常检测至关重要。传统的异常检测方法往往难以捕捉变量间的复杂依赖关系,导致漏检或误检。近日,中国科学技术大学团队提出Graph-MoE模型,结合图神经网络与混合专家框架,在多个公开数据集上刷新了性能记录。本文将解析这一技术的核心创新与应用价值。

一、背景:现有方法的瓶颈

多元时间序列异常检测的难点在于:

1. 变量间依赖复杂:工业场景中,传感器信号往往相互影响(如温度升高可能触发压力变化)。

2. 异常模式多样:不同设备的异常可能表现为局部突变或长期趋势偏移。

3. 标签稀缺:异常事件在现实中罕见,依赖无监督学习模型。

传统图神经网络(GNN)虽能建模变量关系,但仅依赖最后一层输出,忽略中间层的局部与全局信息(例如浅层捕捉短距离依赖,深层捕获长距离依赖)。这导致模型对复杂异常的感知能力受限。

二、Graph-MoE:让每一层信息都“说话”

研究团队提出Graph-MoE模型,核心创新包括:

1. 图混合专家(Graph-MoE)

- 多层信息融合:传统GNN仅用最后一层输出,而Graph-MoE通过混合专家(MoE)模块,动态整合不同GNN层的信息。

- 专家分工:每个GNN层对应一个专家网络,分别学习短距离(浅层)和长距离(深层)的变量依赖模式。

2. 记忆增强路由器(MAR)

- 历史特征记忆库:通过记忆单元存储全局历史时序特征,动态预测各专家权重。

- 动态路由决策:根据当前数据与历史模式的相关性,自适应调整各层信息的贡献,提升对突发异常的敏感度。

三、实验结果:全面超越SOTA

在SWaT(水处理系统)、WADI(供水网络)等5个工业数据集上的实验表明:

- AUROC指标领先:Graph-MoE在SWaT和WADI上分别达到87.2%和94.2%,显著优于GANF、MTGFlow等前沿模型。

- 模块协同效应:单独使用MoE或MAR可提升性能,两者结合后效果最佳。

- 即插即用:Graph-MoE可无缝集成至其他GNN模型(如GANF、MTGFlow),平均提升2.5%-3.5%的检测精度。

四、应用场景与未来展望

- 工业设备预测性维护:实时监测工厂传感器数据,预警设备故障。

- 服务器运维监控:检测CPU负载、网络流量等指标的异常波动。

- 智慧城市:分析交通流量、环境监测数据,发现潜在风险。

未来,团队计划优化模型的计算效率,并探索多模态时序数据的联合异常检测。

五、总结

Graph-MoE通过融合多层图信息与历史记忆机制,解决了传统方法对复杂依赖建模不足的问题。其开源代码已发布([GitHub链接](
https://github.com/dearkxie1128/Graph-MoE)),为工业智能运维提供了新工具。随着图神经网络与无监督学习的结合不断深入,时序数据分析的精度与实用性将迎来更大突破。

参考文献

Huang, X., Chen, W., Hu, B., & Mao, Z. (2024). Graph Mixture of Experts and Memory-augmented Routers for Multivariate Time Series Anomaly Detection. arXiv preprint.

论文链接

https://arxiv.org/pdf/2412.19108