基于掩码潜在生成建模的可解释时间序列异常检测
机器学习
2024-08-01 v5 机器学习
摘要
我们提出了一种新颖的时间序列异常检测方法，在取得优异检测准确率的同时提供了更高水平的可解释性。我们提出的方法 TimeVQVAE-AD 利用了改编自前沿时间序列生成方法 TimeVQVAE 的掩码生成建模。先验模型在时频域的离散潜在空间上训练。值得注意的是，时频域的维度语义在潜在空间中得以保留，使我们能够跨不同频带计算异常分数，从而更好地洞察检测到的异常。此外，先验模型的生成特性允许对检测到的异常采样可能的正常状态，通过反事实增强检测异常的可解释性。我们在 UCR 时间序列异常归档上的实验评估表明，TimeVQVAE-AD 在检测准确率和可解释性方面显著超越现有方法。我们在 GitHub 上提供实现：https://github.com/ML4ITS/TimeVQVAE-AnomalyDetection。
引用
@article{arxiv.2311.12550,
title = {Explainable Time Series Anomaly Detection using Masked Latent Generative Modeling},
author = {Daesoo Lee and Sara Malacarne and Erlend Aune},
journal= {arXiv preprint arXiv:2311.12550},
year = {2024}
}
备注
Published in Pattern Recognition