作者提出了CAAD，一个用于多元时间序列异常检测的框架，将问题重新定义为通过外生变量验证格兰杰因果一致性。

  • 将外生时间序列变量建模为残差，以识别由外部干预引起的异常。
  • 使用多尺度对齐来内化系统动态，并使用基于梯度的矩阵来监控因果关系的崩溃。
  • 量化动态演化和关系拓扑中的因果偏差，以捕捉细微的变化。
  • 在真实世界工业数据集上优于大多数最先进的基线模型。

CAAD通过解决现有方法经常忽视的内部因果关系中断，实现了高精度的异常检测。