本篇论文来自KDD2025第二轮，最新时序技术，提出了一个多尺度超图 Transformer——MSHTrans，通过融合超图建模多阶时间依赖能力与时间序列分解技术，来提升时间序列重构精度以增强异常检测效果。

了解顶会最新技术，紧跟科研潮流，研究与写作才能保持在时代一线，全部73篇KDD2025(1+2轮)前沿时序合集小时已经整理好了，在功🀄浩“时序大模型”发送“资料”扫码回复“KDD2025时序合集”即可自取~其他顶会时序合集也可以回复相关顶会名称自取哈~（AAAI25,ICLR25,ICML25等）

文章信息

论文名称：MSHTrans: Multi-Scale Hypergraph Transformer with Time-Series Decomposition for Temporal Anomaly Detection

论文作者： Zhaoliang Chen、Zhihao Wu、William K. Cheung、Hong-Ning Dai、Byron Choi、Jiming Liu

研究背景

时间序列异常检测在工业监控、医疗诊断、金融风险管理等多个现实领域中是一项基础且关键的任务。随着时间序列数据呈现出大规模、多源异构和多模态模式等特点，现有无监督异常检测方法面临两大核心挑战：

• 对时间戳间复杂的短期和长期依赖关系探索不充分。

• 缺乏能够联合学习短期模式与长期时间特征的集成框架。

现有方法中，预测类模型对时间模式快速变化的适应性有限，而重构类模型虽受关注，但基于固定图的方法难以动态学习邻接关系，且无法全面描述时间戳间的复合关联。

因此文章提出了一个多尺度超图Transformer——MSHTrans以解决上述出现的问题。

模型框架

MSHTrans 是一种新颖的多尺度超图 Transformer 模型，可以通过自适应超图学习和时间序列分解分析，充分利用时间序列中的短期和长期相关性，实现有效的时间序列异常检测。核心架构有三个主要部分：

多尺度窗口生成器：通过 1D 卷积和下采样操作，从输入窗口生成多尺度窗口数据，以捕捉不同 granularity 的潜在特征。低尺度窗口用于探索细粒度时间关系，高尺度窗口用于捕捉粗粒度时间关系。

超图 Transformer：

• 可训练超图：通过可训练的节点嵌入和超边嵌入计算基于相似度的超图关联矩阵，初始构建短期时间戳邻接关系，训练中不断更新以发现未知的长期和短期依赖。

  

• 尺度内超图注意力：采用图注意力机制聚合每个节点的嵌入，生成注意力加权的超图关联矩阵。

• 多头超图卷积：通过多头超图卷积融合多视角特征，其中每个头的输出通过特定卷积操作计算。

  

• 超图学习约束：包括拉普拉斯约束（确保跨尺度特征一致性）、超边约束（使学习的超边嵌入与原始超边特征一致）和节点约束（使学习的节点嵌入与原始超边特征一致）。

时间序列分解模块：采用离散傅里叶变换将输入序列从时域转换到频域，提取季节性成分；利用平均池化捕捉趋势成分，通过季节和趋势融合模块得到进化时间序列特征。

多尺度超图融合过程：

特征融合：对各尺度学习到的特征进行上采样，使所有尺度输出具有相同维度后直接相加得到融合表示。

超图融合：整合多尺度超图，得到包含点式和组式交互信息的融合超图。

实验数据

数据集：采用 SWaT、WADI、MSL、SMAP、SMD 等基准数据集，涵盖水监测、航天器监测、服务器监测等多个领域，并生成合成数据集用于可视化。

对比模型：与 DAGMM、LSTM-VAE、MSCRED、OmniAnomaly、MTAD-GAT 等 9 种主流模型进行比较。

评价指标：以 F1 分数作为评价指标，同时提供有无点调整（PA）的结果。

主要实验结果：

• MSHTrans 在大多数场景下优于基线方法，无 PA 时平均性能提升 8.21%，有 PA 时提升 3.52%。在 SWaT 数据集上，F1 分数分别达到 0.776（无 PA）和 0.936（有 PA）。

• 可视化结果显示，MSHTrans 能准确检测点异常和序列异常，异常发生时精细重构失败，异常分数升高。

• 消融研究表明，超图 Transformer 模块对性能影响最大，移除后平均性能下降 31.86%；3 个尺度足以实现良好性能，窗口大小超过 40 后性能趋于稳定。

• 参数敏感性分析显示，适度的k值和更新率有助于获得最佳性能。

• 模型具有较低的检测延迟和合理的训练时间，适用于实际场景。

小小总结

MSHTrans 通过多尺度超图建模和时间序列分解，有效捕捉短期与长期时间依赖，在时间序列异常检测任务中表现优异。未来将探索跨尺度依赖和非线性关系的建模方法。

2025顶会前沿时序合集，简介处关注，回复关键字即可自取~

关注小时，持续学习前沿时序技术！