DACAD：用于多变量时间序列异常检测的数据适应对比学习
机器学习
2025-09-09 v4 人工智能
摘要
在时间序列异常检测（TSAD）中，标注数据的稀缺性是开发准确模型的挑战。无监督域适应（UDA）通过利用来自相关域的标注数据来检测目标域上未标记的异常数据提供了解决方案。然而，现有UDA方法假设异常类别在不同域之间保持一致。为解决这一限制，我们提出了一种 novel Domain Adaptation Contrastive learning model for Anomaly Detection in multivariate time series（DACAD），将 UDA 与对比学习结合起来。DACAD 利用异常注入机制来增强跨不可见异常类别的泛化能力，提高适应性和鲁棒性。此外，我们的模型采用源域的监督对比损失和目标域的自监督对比三元组损失，确保全面特征表示学习和域无关特征提取。最后，一个有效的基于中心的熵分类器（CEC）准确学习正常边界。在多个真实数据集和合成数据集上的广泛评估表明，DACAD 在跨域知识迁移方面表现优异，能有效缓解 TSAD 中标注数据有限的挑战。
引用
@article{arxiv.2404.11269,
title = {DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series},
author = {Zahra Zamanzadeh Darban and Yiyuan Yang and Geoffrey I. Webb and Charu C. Aggarwal and Qingsong Wen and Shirui Pan and Mahsa Salehi},
journal= {arXiv preprint arXiv:2404.11269},
year = {2025}
}
备注
11 pages, 3 figures, 6 tables