AMAD：用于无监督多变量时间序列异常检测的 AutoMasked 注意力机制

无监督多变量时间序列异常检测 (UMTSAD) 在金融、网络和传感器系统等诸多领域发挥着关键作用。近年来，由于深度学习在通用序列任务中的卓越性能，许多模型已针对深度 UMTSAD 任务进行专业化，并在 Transformer 和自注意力机制方面取得了令人印象的成果。然而，这些模型所基于的序列异常关联假设往往仅限于特定预定义的模式和情景，如集中或峰值异常模式。这些限制阻碍了其对多样化异常情况的泛化能力，尤其是在缺乏标签的情况下。为此，我们提出了 AMAD，将 AutoMasked 注意力机制集成到 UMTSAD 场景中。AMAD 引入了基于 AutoMask 机制的新型结构和注意力混合模块，构成一个简洁而通用的异常关联表示框架。该框架通过 Max-Min 训练策略和局部-全局对比学习进一步增强。通过结合多尺度特征提取与自动相对关联建模，AMAD 为 UMTSAD 挑战提供了稳健且可适应的解决方案。大量实验结果表明，所提出的模型在各种数据集上实现了与 SOTA 框架的具竞争力的性能。