深度对比单类时间序列异常检测
机器学习
2023-04-18 v3 人工智能
摘要
时间序列数据的积累与标签的缺失使得时间序列异常检测(AD)成为一种自监督深度学习任务。基于单一正态性假设的方法仅揭示整体正态性的某一方面，无法应对涉及大量异常的任务。具体而言，对比学习(CL)方法会拉远负样本对，其中许多负样本对由正常样本组成，从而降低了AD性能。现有的基于多正态性假设的方法通常为两阶段，首先通过某些目标可能与AD不同的任务进行预训练，限制了其性能。为克服上述缺陷，作者提出了一种深度对比单类时间序列异常检测方法(COCA)，遵循CL与单类分类的正态性假设。该方法将原始表示与重构表示作为无负样本的CL的正样本对，即“序列对比”。接着，不变性项与方差项构成对比单类损失函数，其中两种假设的损失由不变性项同时优化，而“超球面坍缩”由方差项防止。此外，在两个真实世界时间序列数据集上的大量实验表明，所提方法取得了优于现有方法的性能，达到最先进水平。
引用
@article{arxiv.2207.01472,
title = {Deep Contrastive One-Class Time Series Anomaly Detection},
author = {Rui Wang and Chongwei Liu and Xudong Mou and Kai Gao and Xiaohui Guo and Pin Liu and Tianyu Wo and Xudong Liu},
journal= {arXiv preprint arXiv:2207.01472},
year = {2023}
}