面向多元时间序列异常检测的耦合注意力网络
机器学习
2023-06-13 v1
摘要
多元时间序列异常检测（MTAD）在众多真实世界应用领域中起着至关重要的作用。过去几年，MTAD 吸引了学术界和工业界迅速增长的关注。许多深度学习和图学习模型已被开发用于多元时间序列数据中的有效异常检测，其赋能了诸如智能监控和风险管理等具有空前能力的高级应用。然而，MTAD 正面临源自传感器与变量之间依赖关系的重大挑战，这些依赖关系常随时间变化。为解决此问题，我们提出了一种基于耦合注意力的神经网络框架（CAN），用于具有动态变量关系的多元时间序列数据异常检测。我们将自适应图学习方法与图注意力相结合，生成能够表示传感器间全局相关性和动态局部相关性的全局-局部图。为捕捉传感器间关系与时间依赖，基于全局-局部图的卷积神经网络与时序自注意力模块相集成，构建耦合注意力模块。此外，我们开发了容纳重构与预测任务的多级编码器-解码器架构，以更好地刻画多元时间序列数据。我们在真实世界数据集上进行了大量实验来评估所提 CAN 方法的性能，结果表明 CAN 显著优于最先进的基线。
引用
@article{arxiv.2306.07114,
title = {Coupled Attention Networks for Multivariate Time Series Anomaly Detection},
author = {Feng Xia and Xin Chen and Shuo Yu and Mingliang Hou and Mujie Liu and Linlin You},
journal= {arXiv preprint arXiv:2306.07114},
year = {2023}
}