冻结的图基础模型也能查多变量时序异常：Gfm4Mtsad在三个真实数据集多数指标上取得最好或次好
核心概要
多变量时序异常检测长期依赖在目标域小数据上从零训练的图检测器，学到的传感器拓扑易被伪相关带偏，也无法复用预训练图模型的关系先验。Gfm4Mtsad把冻结的图基础模型包在三个外围模块里：SICA对齐时序特征与正常连接先验并补回投影丢失的细节，MAPS用保留残差的局部依赖破坏合成近边界伪异常，TGEC只在分数上尾重排多粒度证据。在MSL P-15、SMAP T-3、SMD 1-1三个真实数据集和AnomalyGFM、OwlEye两个骨干上，该适配在多数指标上取得最好或次好成绩。
深度剖析
预训练的图基础模型可以不做端到端重训，只靠外围适配就用于无监督多变量时序异常检测，输出窗口级异常分数和传感器级定位证据。 此前的图检测器普遍在有限目标域数据上从零训练任务专用网络，学到的拓扑易受伪边影响，也无法迁移跨系统的关系先验。 在MSL P-15、SMAP T-3、SMD 1-1三个真实数据集上，以AnomalyGFM和OwlEye两个图基础模型为骨干，与九类基线在相同数据划分、窗口标签和评测协议下比较，多数指标取得最好或次好。
适配分三步完成：先把每个传感器的时序特征投影进图基础模型的原生词元空间，再用正常数据得到的连接先验约束窗口图，最后在模型输出端补回投影丢掉的高频细节。 SICA模块由特征契约、结构契约和信息契约组成，其中信息契约用门控低秩残差旁路恢复被投影排除的分量，骨干权重全程冻结。 消融在MSL、SMAP、SMD上以OwlEye为骨干，共享同一热启动前端和30轮监督预算；去掉PCA词元桥初始化或去掉IPRA残差旁路，AUPRC与F1在所有实体上都下降。
无标签条件下的监督来自对正常序列做局部干预：在少数传感器上打断时序滞后或邻居协作，同时保留经验残差，只保留靠近正常边界的困难负样本。 此前的增强手段多为随机噪声注入或全局特征打乱，与真实系统的时空机制脱节，产生的负样本要么与正常波动重叠，要么远离正常支撑域。 把边界排序换成在合法候选内均匀采样后，MSL、SMAP、SMD上AUPRC一致下降，MSL与SMD的F1也进一步下降。
窗口级判定不再对节点响应做朴素池化，而是把直接、局部、关系、上下文四类证据按各自正常参考校准后，只对分数上尾的候选做重排。 均值池化会把稀疏故障稀释成漏报，峰值池化会把良性局部尖峰放大成误报，正常分数主体因此需要保持原排序。 在冻结的完整检查点上比较五种打分方式，SMD与SMAP上TGEC优于全局融合和仅用直接证据；MSL-O上没有测试窗口越过尾门时，TGEC保留原有ECDF排序，而全局融合出现明显退化。
启示与展望
评测限定在MSL P-15、SMAP T-3、SMD 1-1三条真实序列上，覆盖航天遥测与工业服务器监控两类场景，训练只使用无异常的窗口，指标为不做事后点调整的AUROC、AUPRC和F1。
两个骨干的相对优势随数据集和指标变化：OwlEye实例在高维MSL上更强，AnomalyGFM实例在SMAP和SMD上更稳，原因归于两者原生词元维度与打分机制的差异。尾门概率在1%到20%之间扫描时，SMD与SMAP的AUPRC变化不超过0.0249，而MSL上更宽的尾对AnomalyGFM有利、OwlEye则在0.01到0.05之间保持最高。IPRA瓶颈秩取16时六种实体-骨干组合的平均原生AUPRC最高，升到32或64只线性增加参数而不提升均值。