摘要
异常检测是针对多种数据类型广泛研究的任务之一，其中多变量时间序列在各类应用中尤为常见，例如电力网络和交通网络。然而，对多变量时间序列进行异常检测仍是一项极具挑战性的课题，主要由于各时间序列之间存在复杂的依赖关系。我们假设异常事件通常出现在数据分布的低密度区域，并探索利用归一化流（normalizing flows）进行无监督异常检测，因其在密度估计方面具有优异的性能。此外，我们提出一种新型流模型，通过在各时间序列之间引入贝叶斯网络（Bayesian network）结构来建模其依赖关系。贝叶斯网络是一种有向无环图（DAG），用于刻画变量间的因果关系，能够将联合概率分布分解为一系列易于计算的条件概率乘积。我们将这种基于图结构增强的归一化流方法称为GANF（Graph-Augmented Normalizing Flow），并提出联合估计DAG结构与流模型参数的策略。在真实世界数据集上进行了大量实验，结果表明GANF在密度估计、异常检测以及时间序列分布漂移识别方面均表现出显著的有效性。