面向多变量时间序列异常检测的无监督策略基准测试

多变量时间序列异常检测是医疗保健、金融服务、制造业或物理探测监控等多个领域的重要问题。准确识别意外错误或故障发生的时间对于这些领域至关重要，但由于异常的未知性质以及时间序列维度之间复杂的相互依赖性，这一任务备受挑战。本文聚焦于基于 Transformer 的时间序列异常检测方法，特别关注最近提出的 iTransformer 架构。我们的贡献主要包括四点：(i) 我们探索将 iTransformer 应用于时间序列异常检测，并分析关键参数（如窗口大小、步长和模型维度）对性能的影响；(ii) 我们检查从多维异常得分中提取异常标签的方法，并讨论此类标签的合适评估指标；(iii) 我们研究异常数据在训练期间的存在对模型性能的影响，并评估替代损失函数的有效性；(iv) 我们在多样化的数据集上，对比评估了多个基于 Transformer 的模型在时间序列异常检测中的表现。