DACR：用于时间序列异常检测的分布增强对比重构
机器学习
2024-01-23 v1
摘要
时间序列数据中的异常检测对于在各种应用中识别故障、失效、威胁和异常值至关重要。近期，深度学习技术已被应用于该课题，但在复杂且高度动态的实际场景中往往面临困难，例如，正常数据可能包含多种分布，且不同类型的异常数据与正常数据的偏离程度可能各不相同。在本研究中，为了应对这些挑战，我们提出了分布增强对比重构（DACR）。DACR 生成与正常数据分布不相交的额外数据，以压缩正常数据的表示空间，并通过对比学习增强特征提取器，以更好地从时间序列数据中捕获内在语义。此外，DACR 采用注意力机制对多元时间序列特征间的语义依赖关系进行建模，从而实现更稳健的异常检测重构。在多种异常检测场景下的九个基准数据集上进行的广泛实验证明了 DACR 在实现新的 SOTA 时间序列异常检测方面的有效性。
引用
@article{arxiv.2401.11271,
title = {DACR: Distribution-Augmented Contrastive Reconstruction for Time-Series Anomaly Detection},
author = {Lixu Wang and Shichao Xu and Xinyu Du and Qi Zhu},
journal= {arXiv preprint arXiv:2401.11271},
year = {2024}
}
备注
5 pages, 3 figures, accepted at ICASSP 2024