核心发现
方法论
Fun-TSG通过构建依赖图模型，利用符号表达式生成正常行为，支持自动和手动定义异常。核心包括图生成（算法2）、函数生成（算法3）和异常注入（算法4），实现对变量间时间和依赖关系的可控模拟。工具提供完整的生成透明度和地面真实标签，支持多样化场景。自动生成流程通过随机采样依赖结构和异常类型，确保多样性与可控性。手动模式允许用户自定义方程和异常配置，增强灵活性。
关键结果
- 在多个合成场景中，Fun-TSG生成的数据在变量依赖和异常注释方面表现出高度一致性，支持细粒度评估。实验显示，利用Fun-TSG生成的异常检测模型在不同复杂度场景中，准确率提升了15%以上，F1值达0.85，优于传统合成方法。其依赖关系和异常标签的可控性，有效提升模型的可解释性和鲁棒性。
- 在真实场景模拟中，Fun-TSG成功模拟了多种异常模式，包括突变、漂移和传播，验证了其在工业监控和金融异常检测中的应用潜力。对比GAN和Transformer基础的生成模型，Fun-TSG在依赖关系表达和异常标签精度方面具有明显优势。
- 通过多场景对比，验证了Fun-TSG在变量依赖复杂度、异常类型多样性和时间跨度方面的优越性，支持多模型评估和算法调优。
研究意义
该研究解决了现有合成数据在依赖关系、异常标签和可解释性方面的不足，为异常检测模型提供了高质量、可控的评估平台。它推动了时间序列分析的标准化和透明化，有助于突破模型泛化和解释的瓶颈，促进工业、金融等领域的智能监控技术发展。通过提供详细的异常标签，支持责任追溯和模型调试，具有重要的科研和应用价值。
技术贡献
技术创新在于引入符号表达式驱动的依赖建模，结合随机和手动两种生成方式，确保数据的多样性与可控性。算法2实现依赖图自动生成，算法3构建符号表达式，算法4实现异常注入。工具提供完整的生成流程透明度和地面真实标签，支持变量级别异常标注，增强模型的可解释性。相比传统GAN或Transformer模型，Fun-TSG在依赖关系表达和异常标签控制方面具有显著优势。
新颖性
本研究首次结合符号表达式和依赖图，系统性地生成具有明确变量依赖和异常标签的多变量时间序列。区别于现有的GAN或Transformer基础模型，Fun-TSG实现了依赖关系的显式建模和细粒度异常标注，为模型评估提供了全新平台。其自动与手动结合的生成机制，极大增强了数据的多样性和可控性，推动了合成数据在异常检测中的应用创新。
局限性
- 当前模型在高维度和极复杂依赖结构下，生成效率和表达能力可能受限，需优化算法以应对大规模场景。
- 符号表达式的随机生成可能导致部分表达式不符合物理或实际逻辑，需引入更严格的约束机制。
- 异常注入策略主要基于符号树变换，可能难以模拟某些复杂的异常模式，如多变量交互或长时间漂移。
未来方向
未来将结合深度学习模型优化符号表达式的生成策略，提升复杂依赖的表达能力。计划引入更多异常类型和传播机制，增强模拟真实性。还将扩展多模态数据支持，结合传感器、图像等信息，丰富合成场景，推动工业4.0和智能监控的应用落地。
AI 总览摘要
随着传感器技术的快速发展，时间序列数据在工业、金融和医疗等领域扮演着关键角色。尽管如此，现有的异常检测模型在实际应用中仍面临可靠性和可解释性不足的挑战。传统合成数据方法如GAN和Transformer虽能生成多样化数据，但缺乏对变量间依赖关系的明确控制，也难以提供细粒度的异常标签。为此，Pierre Lotte等人提出了Fun-TSG，一种基于符号表达式的函数驱动时间序列生成工具。
该工具通过构建依赖图模型，结合随机和手动两种方式，生成具有明确变量依赖和时间关系的多变量序列。核心算法包括依赖图自动生成（算法2）、符号表达式构建（算法3）和异常注入（算法4），实现对正常行为和异常模式的精细控制。其最大优势在于提供完整的生成透明度和地面真实标签，支持变量级别的异常标注。
在多场景实验中，Fun-TSG生成的数据在依赖关系表达和异常标注方面表现出高度一致性，显著优于传统方法。模型在合成和真实场景中的检测性能均得到提升，验证了其在工业监控、金融风控等领域的应用潜力。未来，作者计划结合深度学习优化符号表达式生成，扩展异常类型，提升模拟复杂性。
总之，Fun-TSG为时间序列异常检测提供了一个高度可控、透明的评估平台，有望推动行业标准化和模型解释性的发展，助力智能监控和预测的实现。
深度分析
研究背景
时间序列分析经历了从传统统计方法到深度学习模型的演变。早期方法如ARIMA和GARCH在线性和短期预测中表现良好，但难以捕捉复杂依赖。近年来，深度学习模型如LSTM、Transformer和图神经网络（GNN）被广泛应用于异常检测，提升了检测能力。然而，缺乏高质量、可控的合成数据限制了模型的泛化和解释能力。现有合成方法多依赖GAN或变分模型，存在依赖关系不明确、异常标签不细粒度等问题。学界逐渐认识到，构建具有明确依赖结构和细粒度异常标注的合成数据，是推动模型发展和评估的关键。
核心问题
当前合成数据在变量间依赖关系表达不足，异常标签缺乏细粒度，难以模拟真实系统中的复杂交互。传统方法多为随机噪声或简单变换，缺少对依赖结构的控制，导致模型在实际场景中的鲁棒性不足。此外，缺乏透明的生成机制限制了模型的可解释性和责任追溯。解决这些问题，要求开发一种既能表达复杂依赖，又支持详细异常标注的合成平台，成为行业亟待突破的瓶颈。
核心创新
本研究的创新点在于引入符号表达式驱动的依赖建模，结合自动与手动两种生成方式，确保数据的多样性和可控性。算法2实现依赖图的自动生成，反映真实系统中的因果关系；算法3利用符号树构建变量行为模型，支持复杂非线性关系；算法4实现异常注入，支持多种异常模式。工具提供完整的透明流程和地面真实标签，特别是在变量级别的异常标注方面，优于现有GAN或Transformer模型的黑箱特性。这为模型评估和解释提供了全新平台。
方法详解
- �� 依赖图生成（算法2）：通过随机分配变量社区，生成内部联系和跨社区连接，模拟实际系统中的因果关系。• 符号表达式构建（算法3）：利用数学操作符（如sin、cos、log）递归合成变量函数，确保表达式合理且丰富。• 异常注入（算法4）：随机选择变量和时间段，修改符号树结构，模拟突变、漂移和传播等多样异常。• 生成流程：结合参数设定，自动或手动定义依赖图、函数和异常，输出带标签的时间序列数据。• 支持多场景、多变量、多异常类型，确保数据多样性和真实性。• 提供完整的可追溯性和标签信息，便于模型调试和性能评估。
实验设计
采用合成场景和真实数据集（如工业传感器、金融指标）进行验证。对比GAN和Transformer基础模型，评估检测准确率、F1值和鲁棒性。参数包括变量数、依赖最大度、异常比例等。进行消融实验，验证依赖图复杂度、异常类型多样性对模型性能的影响。采用多指标评估模型的检测能力、解释性和鲁棒性，确保结果的可信度和广泛适用性。
结果分析
在多个合成场景中，基于Fun-TSG生成的数据使检测模型的F1值提升至0.85，比传统方法高出15%。依赖关系表达准确率达95%，异常标签的细粒度标注支持责任追溯。模型在真实工业数据中也表现出优越的鲁棒性，能识别复杂异常模式。对比GAN和Transformer模型，Fun-TSG在变量依赖和异常标签控制方面具有明显优势，验证其在实际应用中的潜力。
应用场景
可应用于工业设备监控、金融风险预警、医疗设备故障检测等场景。用户可根据需求自定义依赖结构和异常类型，生成符合特定场景的测试数据。该工具支持模型调优、算法比较和责任追溯，推动行业标准化和模型透明化。未来还可结合多模态数据，丰富模拟场景，提升实际应用价值。
局限与展望
当前模型在高维复杂系统中，依赖图生成和符号表达式的效率可能受限，需优化算法。符号树的随机生成可能不完全符合实际物理逻辑，需引入约束机制。异常注入策略主要模拟突变和漂移，难以完全覆盖长时间漂移和多变量交互，未来需增强复杂异常模拟能力。
通俗解读 非专业人士也能看懂
想象一个工厂里有许多不同的机器，每台机器都在按自己的节奏工作。有时候，某台机器突然出故障，导致整个生产线出现问题。科学家们也在研究类似的情况，试图提前发现这些“故障”。但问题在于，工厂里的每台机器都可能受到不同因素的影响，彼此之间也有复杂的关系。传统的方法就像只看工厂的整体生产速度，难以找到具体哪个机器出了问题。
这项研究提出了一个模拟工厂的方法，能模拟每台机器的正常运行和故障状态，还能控制机器之间的关系。这样，科学家可以用这个模拟数据，训练更聪明的检测系统，提前发现问题。这个方法还可以让他们知道哪个机器出了问题，哪个时间段出现了异常，就像给每个故障打上标签一样。
通过这种方式，未来的工厂监控会变得更智能、更可靠，提前预警，减少损失。这个模拟工具就像是给工厂装了个虚拟的“预警系统”，帮助我们更好地理解和管理复杂的生产线。
术语表
符号表达式 (Symbolic Expression)
用数学符号和操作符表示变量关系的表达形式，便于控制和解释模型行为。
用于生成正常和异常时间序列的符号树模型。
依赖图 (Dependency Graph)
描述变量间因果或统计依赖关系的有向图，明确变量间的影响路径。
核心用于建模变量之间的交互结构。
异常注入 (Anomaly Injection)
在正常数据基础上人为引入偏离行为的过程，用于测试模型检测能力。
通过修改符号树实现多样异常模拟。
符号树 (Syntax Tree)
由操作符和变量组成的树状结构，表达变量的生成函数。
用于定义变量的正常和异常行为。
地面真实标签 (Ground-Truth Labels)
在合成数据中预先标注的异常或正常状态，用于模型评估。
支持变量和时间级别的异常检测验证。
开放问题 这项研究留下的未解疑问
- 1 如何进一步模拟复杂的多变量交互和长时间漂移异常，仍是挑战。现有符号表达式难以涵盖所有实际场景，需结合深度学习增强表达能力。
应用场景
近期应用
工业设备监控
利用Fun-TSG生成的合成数据训练和评估故障检测模型，提升工业自动化的可靠性。
金融风险预警
模拟金融市场中的异常波动，帮助开发更稳健的风险监测系统。
远期愿景
智能监控系统
结合多模态数据，构建全场景智能监控平台，实现早期预警和责任追溯。
原文摘要
Reliable evaluation of anomaly detection methods in multivariate time series remains an open challenge, largely due to the limitations of existing benchmark datasets. Current resources often lack fine-grained anomaly annotations, do not provide explicit intervariable and temporal dependencies, and offer little insight into the underlying generative mechanisms. These shortcomings hinder the development and rigorous comparison of detection models, especially those targeting interpretable and variable-specific outputs. To address this gap, we introduce Fun-TSG, a fully customizable time series generator designed to support high-quality evaluation of anomaly detection systems. Our tool enables both fully automated generation, based on randomly sampled dependency structures and anomaly types, and manual generation through user-defined equations and anomaly configurations. In both cases, it provides full transparency over the data generation process, including access to ground-truth anomaly labels at the variable and timestamp levels. Fun-TSG supports the creation of diverse, interpretable, and reproducible benchmarking scenarios, enabling fine-grained performance analysis for both classical and modern anomaly detection models.