GT-PSSM：多元时序异常检测统一概率框架提出

发生了什么

研究团队针对现有多变量时间序列异常检测（MTAD）方法的局限，提出图-Transformer增强的概率状态空间模型GT-PSSM：将概率状态空间模型的随机动态建模能力，与图Transformer的时序、跨变量依赖学习能力深度融合，在统一概率框架下同时刻画系统随机性、长时 temporal 依赖与变量间交互关系，解决传统方法用确定性输出误差判异易受良性波动干扰、现有概率状态空间模型难捕捉长时依赖与变量关联的痛点，输出更鲁棒的异常检测结果。

关键信息

方法名称

GT-PSSM（图-Transformer增强概率状态空间模型）

适用场景

多变量时间序列异常检测

核心特性

统一建模随机动态、长时时序依赖、跨变量依赖

背景

现有MTAD方法多基于正常数据训练重建或预测模型，靠逐点输出误差做异常评分；真实多变量时序存在测量噪声与系统固有随机性，基于纯误差的评分可靠性差；传统概率状态空间模型依赖对噪声敏感的循环架构，缺乏显式跨变量结构建模能力。

为什么重要

对工业运维、复杂系统监控领域的从业者而言，该框架能减少因正常随机波动导致的误报，提升异常识别的可信度；对算法研究者而言，它打通了概率建模与图Transformer依赖学习的技术路线，为多变量时序建模提供了可复用的统一架构参考；对普通用户而言，更可靠的异常检测意味着关键基础设施运行的稳定性与安全性将得到更好保障。