EdgeConvFormer：基于动态图 CNN 与 Transformer 的多元时间序列异常检测
机器学习
2023-12-05 v1
摘要
基于 Transformer 的多元时间序列异常检测模型得益于自注意力机制在建模长期依赖方面的优势。然而，基于 Transformer 的异常检测模型存在诸多问题，如训练需要大量数据、标准位置编码不适用于多元时间序列数据，以及未考虑时间序列之间的相互依赖关系。为了解决这些局限性，我们提出了一种名为 EdgeConvFormer 的新型异常检测方法，该方法融合了 Time2vec 嵌入、堆叠动态图 CNN 和 Transformer，以提取全局和局部时空信息。EdgeConvFormer 的这种设计使其具备对复杂时间序列的分解能力、时间序列间渐进式时空相关性发现的能力，以及多尺度特征的表示聚合能力。实验表明，EdgeConvFormer 能够从多元时间序列数据中学习时空相关性，并在许多不同规模的真实世界数据集上取得了优于 SOTA 方法的异常检测性能。
引用
@article{arxiv.2312.01729,
title = {EdgeConvFormer: Dynamic Graph CNN and Transformer based Anomaly Detection in Multivariate Time Series},
author = {Jie Liu and Qilin Li and Senjian An and Bradley Ezard and Ling Li},
journal= {arXiv preprint arXiv:2312.01729},
year = {2023}
}