基于分解的多尺度变换器框架用于时间序列异常检测
机器学习
2025-04-22 v1 人工智能
摘要
时间序列异常检测对于维持系统稳定运行至关重要。现有方法面临两个主要挑战：其一，难以直接建模序列中多样化且复杂模式的依赖关系；其二，许多使用均方误差优化参数的方法在时间序列噪声较多时会导致性能下降。为此，我们提出一种基于分解的变换器框架（TransDe），用于多变量时间序列异常检测。核心思想是结合时间序列分解与变换器的优势，有效学习正常时间序列数据中的复杂模式。我们提出一种基于多尺度补丁的变换器架构，以利用每个分解组件代表性依赖关系。进一步提出一种基于补丁操作的对比学习范式，利用KL散度对齐正负样本对，即来自不同补丁层级视图中正常模式的纯表示。我们还引入一种带有停止梯度策略的新型异步损失函数，以有效提升TransDe的性能。该方法可避免在优化过程中耗时且费力的计算成本。我们在五个公开数据集上进行了大量实验，TransDe在F1分数方面优于十二个基线方法。我们的代码已公开于 https://github.com/shaieesss/TransDe。
引用
@article{arxiv.2504.14206,
title = {Decomposition-based multi-scale transformer framework for time series anomaly detection},
author = {Wenxin Zhang and Cuicui Luo},
journal= {arXiv preprint arXiv:2504.14206},
year = {2025}
}