摘要
针对高维时间序列数据（如传感器数据），如何有效检测异常事件（例如系统故障或攻击）是一个关键问题。更具挑战性的是，如何在检测过程中捕捉传感器之间的复杂关联关系，并识别和解释那些偏离这些关系的异常行为？近年来，深度学习方法在高维数据异常检测方面取得了显著进展，但现有方法通常未能显式学习变量之间的现有结构关系，也缺乏利用这些关系来预测时间序列预期行为的能力。本文提出的方法结合了结构学习与图神经网络（Graph Neural Networks, GNNs），并引入注意力权重机制，以增强对检测到的异常行为的可解释性。在两个包含真实异常标注的传感器数据集上的实验结果表明，该方法在异常检测精度上优于基准方法，能够准确捕捉传感器间的相关性，并帮助用户推断出异常事件的根本原因。