用于时间序列异常检测的跨模态深度度量学习
机器学习
2025-09-17 v1
摘要
为了有效解决时间序列异常检测中灵敏度低和耗时高的问题，我们提出了一种基于跨模态深度度量学习的异常检测方法。构建了一个跨模态深度度量学习特征聚类模型，由输入层、三元组选择层和损失函数计算层组成。计算聚类中心之间的平方欧氏距离，并采用随机梯度下降策略优化模型，对不同时间序列特征进行分类。以主成分方向向量的内积作为异常度量的指标。应用 von Mises-Fisher (vMF) 分布来描述时间序列数据的方向特征，并利用历史数据训练得到评估参数。通过将实际时间序列数据的主成分方向向量与阈值进行比较，执行异常检测。实验结果表明，所提方法能够准确分类具有不同属性的时间序列数据，对异常具有高灵敏度，并实现了高检测准确率、快检测速度和强鲁棒性。
引用
@article{arxiv.2509.12540,
title = {Cross-Modal Deep Metric Learning for Time Series Anomaly Detection},
author = {Wei Li and Zheze Yang},
journal= {arXiv preprint arXiv:2509.12540},
year = {2025}
}