KDD 2026 | LatentFlow：让多变量时序异常检测看见“连续变化”

如果每个传感器都“看起来正常”，系统就一定正常吗？

在这项工作中，我们关注多变量时序中的通道依赖：变量之间如何协同，以及这些依赖关系如何随时间连续演化。

在服务器集群、水处理系统等场景中，异常不仅表现为某条曲线突然越界，也可能藏在多个变量的配合关系里。以直观的水处理场景为例，泵的运行状态、流量和水位通常存在联系；即使单项读数没有明显超出范围，彼此关系出现偏离，也可能提示系统状态发生变化。

针对动态通道依赖建模中的挑战，我们提出 LatentFlow：一个基于潜在连续动力学的多变量时序异常检测框架。我们通过连续结构演化刻画依赖变化，并设计自盲机制，显式分离自依赖与跨通道依赖。

论文题目：
LatentFlow: Discovering Latent Continuous Dynamics across Channels for Multivariate Time Series Anomaly Detection
论文链接：
https://dl.acm.org/doi/10.1145/3770855.3818034

图1｜主实验结果概览。雷达图展示七个数据集上的检测性能；完整八数据集结果见论文表1。

一、研究动机：粒度困境与自相关偏置 1.1 挑战一：离散依赖建模的粒度困境

现有方法通常在窗口级、点级或片段级估计通道依赖。窗口级建模将一个窗口内的依赖概括为相对稳定的结构，容易忽略局部变化；更细粒度的建模虽然提高了时间分辨率，但缺少连续性约束时，结构估计也更容易受到瞬时噪声干扰。

因此，我们希望在保留细粒度变化的同时，为相邻时刻的结构更新引入连续性约束，使模型兼顾对真实变化的响应能力与对短期扰动的稳定性。

图2｜粒度困境：粗粒度估计遗漏局部变化，细粒度估计可能随噪声振荡。

1.2 挑战二：自相关主导跨通道依赖学习

另一个关键问题是自相关偏置。通道与自身的相关性通常较强，当自相关和跨通道相关共同参与归一化时，对角线信号容易占据主导，从而削弱模型对细微跨通道变化的感知。在重构任务中，这还可能使模型依赖自身输入完成重构，降低异常片段与正常片段的可分性。

我们从依赖建模方式出发比较了四类策略：通道独立策略忽略变量间关系；通道依赖策略引入交互，但可能受到自相关主导；通道软聚类能够缓解部分问题，却可能损失细粒度交互。为此，我们提出 Self-Blind-Dependent 策略，在跨通道依赖图中屏蔽自环，使该分支专注于学习其他通道提供的信息。

图3｜依赖建模策略对比。自盲机制在跨通道图中屏蔽自环，自身时间信息仍由独立路径保留。

二、方法设计：

让时间特征与依赖结构共同演化

我们将 LatentFlow 设计为基于重构的无监督异常检测框架：利用正常观测学习时空规律，并在测试阶段根据重构误差计算异常分数。整体流程如下：

序列分块 → 各通道时间编码 → 递归结构演化 → 跨通道聚合 → 序列重构

图4｜LatentFlow 整体架构。时间特征 h 与依赖结构 A 递归更新，联合生成用于重构的时空表示。

第一步：独立时间编码与隐藏状态更新

我们首先将输入序列切分为多个 patch，并通过门控 TCN 独立提取各通道的时间特征，避免在时间编码阶段过早混合通道信息。随后，我们使用 GRU 融合当前片段表示与历史隐藏状态，更新特征状态 hₖ。

第二步：基于连续动力学的结构演化

我们从 Ornstein-Uhlenbeck（O-U）过程出发，将通道依赖建模为向输入驱动的目标结构逐步演化的动态过程。该目标随当前输入变化，因而能够在引入结构惯性的同时，保留对时变依赖的适应能力。

连续动力学｜Θ 调节向目标依赖的演化速率；漂移项描述结构惯性，扩散项描述随机扰动。

理论模型包含确定性漂移与随机扩散两部分。在实际实现中，我们省略显式扩散噪声，保留确定性漂移更新，以获得稳定的重构结果。离散化后的核心更新可表示为：

结构更新｜αₖ 为自适应门控，⊙ 表示逐元素乘法；融合后的依赖矩阵还需施加零对角线约束。

我们使用当前特征与历史结构共同生成可学习门控 α，自适应调节当前候选依赖与历史依赖的权重。较小的 α 保留更多历史信息，较大的 α 则允许结构更快响应当前输入。通过这一设计，相邻片段的依赖估计在递归更新中保持连续。

第三步：自盲约束与稀疏依赖构建

我们由隐藏状态生成通道间相关性分数，屏蔽对角线后，通过 Top-K 筛选与 Softmax 构建稀疏候选图。在融合历史图与候选图后，我们再次施加零对角线约束，确保递归更新过程始终保持自盲特性。

图5｜结构演化单元。右侧生成稀疏候选图，左侧通过门控与历史图融合，两处对角线屏蔽保证跨通道图保持自盲。

屏蔽自环后，通道自身的时间信息仍然保存在隐藏状态 hₖ 中。我们将它与图聚合得到的跨通道信息通过残差相加和 LayerNorm 融合，再交给 MLP 解码器重构原序列。两条路径各有分工：一条保留自身的时间变化，另一条学习其他通道提供的关联信息。

第四步：联合优化与异常评分

训练时，我们同时优化重构损失和图稀疏正则项：前者让模型学习正常序列的时空规律，后者约束依赖结构，减少冗余连接。检测时，我们用每个时刻的重构误差作为异常分数，并通过 SPOT 估计阈值。

联合目标包含重构损失与稀疏正则，λ 控制正则强度，N 为片段数量。

三、实验分析：检测性能与设计有效性

我们在 PSM、MSL、SWaT、SMD、WADI、Creditcard、UNSW 和 Kitsune 八个真实数据集上评估 LatentFlow，并与 ScatterAD、CATCH、DualTF、D3R、DCdetector、Anomaly Transformer、TFAD 七种方法进行比较。评测指标采用 Affiliation-F1（Aff-F1），综合衡量预测异常事件与真实事件在时间上的对应关系，每组实验重复三次，报告均值与标准差。在八个数据集中，LatentFlow 在其中七个上取得最佳 Aff-F1。

表1｜八个数据集上的主实验结果（均值 ± 标准差）。最佳 Aff-F1 以粗体标出，次优结果加下划线；最后一行为八个数据集的平均 Aff-F1。

3.1 消融实验：自盲机制为何重要？

为了确认性能提升来自哪些设计，我们在 PSM、MSL、SWaT、SMD 和 UNSW 五个数据集上进行了消融实验（论文表2）。完整模型在这组实验中的平均 Aff-F1 为 79.11%，移除任一模块都会带来性能下降。

其中，自盲机制的影响最为明显。去掉这一约束后，平均 Aff-F1 降至 73.70%，下降了 5.41 个百分点；在 UNSW 上，降幅尤为突出，从 77.43 %降至 56.72%。这与我们的研究动机相吻合：如果允许模型过度依赖自身通道，跨通道关系中的异常信号就容易被忽略。

连续更新也发挥了重要作用。当模型直接使用当前候选图、不再融合历史依赖时，平均 Aff-F1 降至 77.09%。这说明，仅提高依赖估计的时间分辨率还不够，相邻片段之间的连续性约束同样有助于检测。

稀疏正则带来的提升相对温和：移除后，平均 Aff-F1 为 78.43%，比完整模型低 0.68 个百分点。它为连续更新和自盲机制提供了补充，通过约束依赖结构，减少弱连接对学习过程的干扰。

3.2 案例分析：自盲机制如何改善异常区分

图6｜MSL 异常案例。上方比较真实序列、重构曲线和异常分数，下方展示不同步骤的依赖热力图；红色阴影表示真实异常区间。

我们进一步在 MSL 数据集上分析重构结果与依赖结构。在图示异常片段中，移除自盲约束后，模型倾向于复现输入中的异常尖峰，使重构误差与异常分数保持较低水平。相比之下，LatentFlow 结合历史状态与其他通道的信息进行重构，在异常位置产生了更清晰的误差峰值。

这个案例解释了为什么自盲约束能够帮助检测：当模型可以直接依赖自身输入时，异常也可能被一并重构出来，难以在误差中显现。限制这条路径后，模型需要借助正常的时空关联完成重构，异常片段便更容易与重构结果产生偏差。下方的依赖热力图展示了两种设置下结构学习的差异。

3.3 参数敏感性与计算效率

参数实验中，我们发现窗口并非越长越好，patch 也需要选择合适的大小：过小容易受噪声干扰，过大则可能掩盖局部异常。步长会改变片段之间的重叠程度，邻居数量过多又可能引入无关关联。因此，时间分辨率和结构稀疏程度需要结合数据特征共同选择。

我们也比较了训练开销。在论文附录表4的实验设置下，LatentFlow 占用 4.96 GB 显存，每次迭代耗时 89.05 ms；CATCH 对应为 5.05 GB 和 101.63 ms，D3R 为 7.36 GB 和 142.25 ms。这意味着，相比这两种方法，LatentFlow 在提升检测性能的同时，也降低了训练开销。

四、总结与展望

通过 LatentFlow，我们尝试让模型更好地回答两个问题：通道之间的关系如何随时间变化，以及这些关系中哪些信息有助于发现异常。连续结构更新让依赖估计能够衔接历史，自盲机制则使跨通道交互摆脱强自相关的主导。实验结果表明，这两项设计能够共同改善多变量时序异常检测。

当前方法仍采用固定的稀疏程度，并基于 O-U 过程的线性动力学假设构建结构更新。未来，我们希望进一步探索动态稀疏控制与更灵活的非线性演化机制，使依赖建模能够适应更加复杂的动态系统。

-The End-

本周上新！

扫码观看！

“AI技术流”原创投稿计划

TechBeat是由将门创投建立的AI学习社区（www.techbeat.net）。社区上线700+期talk视频，3000+篇技术干货文章，方向覆盖CV/NLP/ML/Robotis等；每月定期举办顶会及其他线上交流活动，不定期举办技术人线下聚会交流活动。我们正在努力成为AI人才喜爱的高质量、知识型交流平台，希望为AI人才打造更专业的服务和体验，加速并陪伴其成长。

投稿内容

// 最新技术解读/系统性知识分享 //

// 前沿资讯解说/心得经历讲述 //

投稿须知

稿件需要为原创文章，并标明作者信息。

我们会选择部分在深度技术解析及科研心得方向，对用户启发更大的文章，做原创性内容奖励

投稿方式

发送邮件到

yimingzhang@thejiangmen.com

或添加工作人员微信（aceyiming）投稿，沟通投稿详情

关于我“门”

将门是一家以专注于数智核心科技领域的新型创投机构，也是北京市标杆型孵化器。 公司致力于通过连接技术与商业，发掘和培育具有全球影响力的科技创新企业，推动企业创新发展与产业升级。

将门成立于2015年底，创始团队由微软创投在中国的创始团队原班人马构建而成，曾为微软优选和深度孵化了126家创新的技术型创业公司。

如果您是技术领域的初创企业，不仅想获得投资，还希望获得一系列持续性、有价值的投后服务，欢迎发送或者推荐项目给我“门”:

bp@thejiangmen.com

点击右上角，把文章分享到朋友圈