ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection

ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection

多变量时间序列数据的异常检测对于保证多领域大规模系统的高效运行至关重要。然而，由于需要对复杂的多变量时间序列数据进行精确建模，因此准确检测此类数据中的异常存在重大挑战。现有的方法，包括基于预测和重建的方法，都难以有效地应对这些挑战。

为了克服这些限制，我们提出了一种新的异常检测框架ImDiffusion，该框架将时间序列插值和扩散模型相结合，以实现准确和鲁棒的异常检测。ImDiffusion采用的基于假设的方法利用了时间序列中相邻值的信息，实现了时间和相互关联依赖性的精确建模，减少了数据的不确定性，从而增强了异常检测过程的鲁棒性。ImDiffusion进一步利用扩散模型作为时间序列输入器来准确捕获复杂的依赖关系。我们利用推理过程中产生的逐步去噪输出作为异常预测的有价值信号，从而提高了检测过程的准确性和鲁棒性。

我们通过在基准数据集上进行大量实验来评估ImDiffusion的性能。结果表明，我们提出的框架在检测准确性和及时性方面显着优于最先进的方法。ImDiffusion进一步集成到微软的实际生产系统中，与传统方法相比，检测F1得分显著提高了11.4%。据我们所知，ImDiffusion代表了一种开创性的方法，它将基于假设的技术与时间序列异常检测相结合，同时将扩散模型的新应用引入了该领域 

一 THE DESIGN OF IMDIFFUSION

ImDiffusion依赖于时间序列的输入，利用输入的误差作为异常检测的信号。该过程以自监督学习的方式进行，我们有意向M