跳转至

Causality-Aware Contrastive Learning for Robust Multivariate Time-Series Anomaly Detection

会议: ICML 2025
arXiv: 2506.03964
代码: https://github.com/kimanki/CAROTS
领域: 时间序列
关键词: 多变量异常检测, 因果关系, 对比学习, 数据增强, 因果发现

一句话总结

提出 CAROTS——将因果关系融入对比学习的多变量时间序列异常检测框架，用因果保持增强作为正样本（正常变化），因果破坏增强作为负样本（模拟异常），训练编码器基于因果结构区分正常与异常。

研究背景与动机

领域现状：多变量时间序列异常检测（MTSAD）是网络安全、医疗监控等关键领域的核心需求。

现有痛点：现有无监督方法（重建/对比学习）关注数据值或分布的表面差异，忽略变量间的因果关系——导致正常的因果变化被误报为异常（如空调因高温运行更久是正常的因果变化，不是异常）。

核心矛盾：区分"因果关系保持的正常变化"和"因果关系被破坏的真正异常"。

本文目标：将因果结构融入异常检测。

切入角度：用因果发现模型提取变量间因果图，然后设计因果保持和因果破坏的数据增强策略。

核心 idea：因果保持增强 = 正样本，因果破坏增强 = 负样本 → 对比学习训练因果感知编码器。

方法详解

整体框架

  1. 用预测型因果发现模型提取变量间因果关系
  2. 因果保持增强器：修改数据但保持因果结构不变
  3. 因果破坏增强器：打破因果关系模拟异常
  4. 对比学习：正样本（因果保持）vs 负样本（因果破坏）
  5. 异常检测：距离正常聚类中心的距离 + 因果预测误差

关键设计

  1. 因果保持增强:

    • 功能：生成遵循原始因果结构的多样化正常样本
    • 核心思路：对因果图中的"因"变量施加变化，"果"变量按因果关系相应调整
    • 设计动机：扩展正常模式的多样性，防止将正常变化误判为异常

  2. 因果破坏增强:

    • 功能：生成打破因果关系的合成异常
    • 核心思路：随机打断因果链——如改变"果"变量但不改变对应的"因"变量
    • 设计动机：模拟真实异常（如传感器故障导致的因果断裂）

  3. 相似度过滤的单类对比损失:

    • 功能：渐进式引入更多样化的正样本
    • 核心思路：初始只将高相似度样本作为正样本，随训练逐步放宽阈值
    • 设计动机：防止训练初期噪声过大导致聚类不稳定

损失函数 / 训练策略

  • 对比损失 + 因果预测损失的集成
  • 两个异常分数的加权组合

实验关键数据

主实验

5 个真实世界数据集的 F1 分数：

方法 SWaT WADI SMD MSL PSM
USAD 79.2 56.3 82.4 73.4 96.2
AnomalyTransformer 83.5 58.1 86.2 78.8 97.1
CAROTS 86.7 63.4 88.9 82.1 97.8

消融实验

配置 F1 (SWaT) 说明
无因果增强 81.2 退化为普通对比
仅因果保持 83.5 缺少异常模拟
仅因果破坏 84.1 缺少正常多样性
完整 CAROTS 86.7 最优

关键发现

  • 在有明显因果关系的数据集上提升最大（SWaT: +3.2%）
  • 在合成数据集上优势更明显（因果关系显式可控）
  • 相似度过滤使训练更稳定，提升 +1.5%

亮点与洞察

  • 因果关系 × 对比学习的组合自然且有效——异常=因果断裂的概念非常清晰
  • 数据增强策略兼顾了正样本多样性和负样本真实性
  • 可推广到任何有变量间因果关系的多变量监控场景

局限与展望

  • 因果发现模型的准确性直接影响下游性能
  • 假设因果关系在正常状态下稳定，时变因果场景需要扩展
  • 仅测试线性和简单非线性因果

评分

  • 新颖性: ⭐⭐⭐⭐ 因果+对比学习的组合有价值
  • 实验充分度: ⭐⭐⭐⭐⭐ 5真实+2合成数据集，充分消融
  • 写作质量: ⭐⭐⭐⭐ 动机清晰，方法自然
  • 价值: ⭐⭐⭐⭐ 推进因果感知异常检测

相关论文