稀疏张量分解新方法：多元函数数据异常检测的突破

制造系统中的异常检测难题

现代制造系统大量部署传感器，每个传感器都以高采样率记录过程轨迹，形成所谓的多元函数数据（Multivariate Functional Data）。这类数据的监控本质上是一项极具挑战的任务：正常状态下的波动在样本之间、传感器之间以及时间维度上都呈现出强相关性，而真正的故障既可能表现为孤立的局部偏差，也可能是集中在少数传感器特定时间轨迹内的结构化异常。

传统的异常检测方法往往难以兼顾这两种截然不同的故障模式。一篇发表于 arXiv 的最新研究（arXiv:2610.06930v1）针对这一痛点，提出了两种无监督稀疏张量分解方法，试图在保留数据多模态结构的前提下精准捕捉异常。

两种稀疏张量分解方法

研究的核心是基于 CP 分解（CANDECOMP/PARAFAC）构建低秩表示来刻画过程的正常行为，并在此基础上引入不同的稀疏惩罚项来识别异常。两种方法各有侧重：

逐元素稀疏 CP 分解（ES-CP）

ES-CP 采用逐元素的 $\ell_1$ 惩罚项，目标是识别局部化的异常。这种方式对孤立的、分散在数据各处的异常点较为敏感，适合捕捉那些不呈现明显空间或时间聚集特征的偏差。

纤维级稀疏组 Lasso CP 分解（FG-Lasso）

FG-Lasso 则更进一步，将逐元素惩罚与纤维级（fiberwise）惩罚相结合。这意味着它不仅能检测局部偏差，还能识别那些集中在某条时间纤维（temporal fiber）内的结构化异常。在实际制造场景中，某个传感器在特定时间段内持续偏离正常轨迹是常见的故障形态，FG-Lasso 的设计正是为了匹配这类预期的故障结构。

两种方法都通过交替优化进行估计，且稀疏分量具备闭式解更新，保证了计算上的可行性。

实验验证与性能表现

研究设计了两项仿真实验，系统评估方法在不同故障结构、信号强度、噪声水平以及缺失观测条件下的表现。结果显示，在第一项研究的几乎所有设定中，FG-Lasso 都取得或并列最高的宏观 F₁ 分数，整体表现最为稳健。

更有说服力的是多通道锻造过程的真实案例研究。在这一工业场景中：

• FG-Lasso 取得 0.85 的宏观 F₁ 分数
• ES-CP 取得 0.82 的宏观 F₁ 分数
• 作为对比的 TRPCA 和基于 PCA 的异常检测器仅为 0.69 或更低

这一差距清晰地表明，在高维函数过程中，将稀疏惩罚显式地匹配到预期的故障结构，能够同时提升异常检测与故障定位的能力。

方法价值与应用前景

这项研究的价值不仅在于指标上的领先，更在于它提供了一种结构感知的建模思路。多数传统方法（如 PCA、TRPCA）往往将数据展平或忽略其固有的多模态张量结构，从而在面对传感器-时间相关的复杂故障时失效。

通过 CP 分解保留样本、传感器、时间三个维度的结构信息，再辅以针对性的稀疏约束，ES-CP 与 FG-Lasso 实现了检测精度与可解释性的双重提升——不仅能判断是否发生异常，还能定位异常发生在哪个传感器、哪个时间段。

对于智能制造、工业物联网和过程监控领域而言，这类方法的意义在于：当我们对可能出现的故障形态有先验认识时，选择与之匹配的稀疏惩罚结构，往往比通用算法带来显著的性能收益。这也为未来结合领域知识设计定制化异常检测模型提供了一个可借鉴的范式。