基于关联差异的Mamba自适应异常Transformer用于时间序列

时间序列异常检测在工业监控与环境感知中具有重要意义，然而，如何从复杂模式中准确区分异常仍面临挑战。现有方法如Anomaly Transformer和DCdetector虽已取得一定进展，但仍存在对短期上下文敏感、在噪声大且非平稳环境下的效率低下等局限性。为克服上述问题，本文提出MAAT——一种改进的架构，通过增强关联差异建模能力与重构质量，显著提升检测性能。MAAT引入稀疏注意力（Sparse Attention）机制，仅聚焦于相关时间步，有效捕捉长程依赖关系，从而大幅减少计算冗余。此外，重构模块中融合了Mamba-选择性状态空间模型（Mamba-Selective State Space Model），结合跳跃连接（skip connection）与门控注意力（Gated Attention），进一步提升异常定位与检测的准确性。大量实验结果表明，MAAT在多种时间序列应用场景中显著优于现有方法，展现出更强的异常可区分性与泛化能力，为真实场景下的无监督时间序列异常检测树立了新标准。