基于差分对比学习的时间序列异常检测框架 DConAD
机器学习
2025-05-05 v2 人工智能
摘要
时间序列异常检测在风险识别和故障检测中具有重要重要性。无监督学习方法因无需标签而受到青睞。然而，由于异常模式的多样性、异常稀疏以及数据规模和复杂度的增加，这些方法往往难以捕获时间序列中具有代表性的鲁健依赖关系，以实现异常识别。为增强模型捕捉时间序列正常模式的能力，并避免因对高质量先验知识的依赖而导致建模能力退化，我们提出了一种基于差分对比学习的时间序列异常检测框架 (DConAD)。具体而言，DConAD 生成差分数据以提供关于时间序列的额外信息，并利用基于转换器的架构捕获时空依赖关系，从而增强无偏表征学习能力。此外，DConAD 实施了一种基于 KL 散度的对比学习范式，仅使用正样本以避免重建偏差，并部署阻梯策略以促进收敛。在五个公开数据集上的广泛实验表明，DConAD 在与九个基线方法的比较中具有优势和有效性。代码已公开。
引用
@article{arxiv.2504.14204,
title = {DConAD: A Differencing-based Contrastive Representation Learning Framework for Time Series Anomaly Detection},
author = {Wenxin Zhang and Xiaojian Lin and Wenjun Yu and Guangzhen Yao and jingxiang Zhong and Yu Li and Renda Han and Songcheng Xu and Hao Shi and Cuicui Luo},
journal= {arXiv preprint arXiv:2504.14204},
year = {2025}
}