无线传感器网络中融合对比学习与少样本学习的新型时空相关性异常检测方法
机器学习
2025-06-03 v1 人工智能
摘要
检测无线传感器网络(WSN)收集数据中的异常，可为评估 WSN 的可靠性和稳定性提供关键证据。现有的 WSN 异常检测方法常面临诸多挑战，如时空相关性特征提取受限、样本标签缺失、异常样本少以及样本分布不均衡。为解决这些问题，从模型架构和两阶段训练策略两个视角出发，提出了一种时空相关性检测模型(MTAD-RD)。在模型结构设计方面，所提出的 MTAD-RD 主干网络包括由交叉保持(CR)模块增强的保持网络、多粒度特征融合模块以及图注意力网络模块，用于提取节点间的相关性信息。该模型能够在从时间序列数据中提取全局信息的同时，整合 WSN 邻居节点的模态间相关性特征和空间特征。此外，其序列化推理特性可显著降低推理开销。在模型训练方面，设计了两阶段训练方法。首先，针对具有图结构信息的 WSN 时间序列数据设计了对比学习代理任务，使主干网络能够利用无监督对比学习方法从无标签数据中学习可迁移特征，从而解决数据集中样本标签缺失的问题。然后，设计了基于缓存的样本采样器，将样本划分为少样本数据和对比学习数据。开发了特定的联合损失函数来联合训练双图判别器网络，以有效解决样本不平衡问题。在真实公开数据集上进行的实验中，所设计的 MTAD-RD 异常检测方法取得了 90.97% 的 F1 分数，优于现有的有监督 WSN 异常检测方法。
引用
@article{arxiv.2506.00420,
title = {A New Spatiotemporal Correlation Anomaly Detection Method that Integrates Contrastive Learning and Few-Shot Learning in Wireless Sensor Networks},
author = {Miao Ye and Suxiao Wang and Jiaguang Han and Yong Wang and Xiaoli Wang and Jingxuan Wei and Peng Wen and Jing Cui},
journal= {arXiv preprint arXiv:2506.00420},
year = {2025}
}