端到端自调优自监督时间序列异常检测
机器学习
2025-05-07 v3
摘要
时间序列异常检测（TSAD）有许多应用，例如监测环境传感器、工业关键绩效指标、患者生物标志物等。TSAD 的双重挑战在于需要一个通用且无监督的模型，能够在没有任何标签数据的情况下检测各种不同类型的时间序列异常（尖峰、不连续性、趋势漂移等）。现代神经网络在建模复杂时间序列方面具有卓越能力。自监督模型特别通过使用各种数据增强变换输入以创建用于训练的伪异常，从而解决无监督 TSAD 问题。然而，它们的性能对增强的选择很敏感，这在实践中很难选择，而文献中尚无在无标签情况下为 TSAD 调优数据增强的努力。我们的工作旨在填补这一空白。我们引入了 TSAP，即 TSA“自动驾驶”，它能够端到端地（自）调优增强超参数。它基于两个关键组件：一个可微的增强架构和一个无监督验证损失，以有效评估增强类型与异常类型之间的一致性。案例研究表明 TSAP 能够有效选择（离散的）增强类型及相关的（连续的）超参数。因此，在展现不同异常类型的各种 TSAD 任务上，它优于包括 SOTA 自监督模型在内的既有基线。
引用
@article{arxiv.2404.02865,
title = {End-To-End Self-Tuning Self-Supervised Time Series Anomaly Detection},
author = {Boje Deforce and Meng-Chieh Lee and Bart Baesens and Estefanía Serral Asensio and Jaemin Yoo and Leman Akoglu},
journal= {arXiv preprint arXiv:2404.02865},
year = {2025}
}
备注
Accepted at SDM 2025