DCdetector：用于时间序列异常检测的双重注意力对比表示学习
机器学习
2023-10-12 v2 人工智能
摘要
时间序列异常检测对于广泛应用至关重要。其旨在从时间序列的正常样本分布中识别偏离样本。该任务最根本的挑战是学习一个能够实现异常有效判别的表示映射。基于重建的方法仍占主导，但带有异常的表示学习可能因其较大的异常损失而损害性能。另一方面，对比学习旨在寻找一个能够清晰区分任意样本与其余样本的表示，这可为时间序列异常检测带来更自然且更有前景的表示。本文中，我们提出 DCdetector，一种多尺度双重注意力对比表示学习模型。DCdetector 利用新颖的双重注意力非对称设计来创建置换环境，并采用纯对比损失来引导学习过程，从而学习到具有优越判别能力的置换不变表示。大量实验表明，DCdetector 在多个时间序列异常检测基准数据集上取得了最先进（state-of-the-art, SOTA）的结果。代码已公开于 https://github.com/DAMO-DI-ML/KDD2023-DCdetector。
引用
@article{arxiv.2306.10347,
title = {DCdetector: Dual Attention Contrastive Representation Learning for Time Series Anomaly Detection},
author = {Yiyuan Yang and Chaoli Zhang and Tian Zhou and Qingsong Wen and Liang Sun},
journal= {arXiv preprint arXiv:2306.10347},
year = {2023}
}
备注
Accepted by ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD 2023)