Spectral-Residual注意力集成到Reservoir Computing以提升时序异常检测
机器学习
2025-10-17 v1
摘要
Reservoir计算（RC）通过利用循环神经网络对输入信号的高维时空响应来处理时序数据。在此基础上，RC仅训练输出层权重，这种简单性尤其受到边缘人工智能（AI）应用的青睐。边缘AI使时序异常检测实时运行，这一点至关重要，因为检测延迟可能导致严重事件。然而，仅凭RC可能需要在资源受限的边缘设备上实现不可接受的大型储库。无需扩大储库，注意力机制可提高准确度，但可能需要大量计算并削弱RC的学习效率。在本研究中，我们提出了一种spectral residual（SR）RC（SR-RC），将spectral residual（SR）方法——一种无学习的、自下而上的注意力机制——与RC集成，以提高RC的异常检测性能，而不牺牲学习效率。我们在基准任务和真实时序数据集上证明了SR-RC超越传统RC和基于SR方法提取值的Logistic回归模型。此外，由于SR方法类似于RC，适合硬件实现，SR-RC为在边缘AI中部署RC用于时序异常检测提供了实际路径。
引用
@article{arxiv.2510.14287,
title = {Enhancing Time-Series Anomaly Detection by Integrating Spectral-Residual Bottom-Up Attention with Reservoir Computing},
author = {Hayato Nihei and Sou Nobukawa and Yusuke Sakemi and Kazuyuki Aihara},
journal= {arXiv preprint arXiv:2510.14287},
year = {2025}
}