GraphSubDetector：基于密度感知自适应图神经网络的时间序列子序列异常检测
机器学习
2024-11-27 v1 人工智能
摘要
时间序列子序列异常检测是从健康监测到 AIOps 等众多实际应用中重要的任务，由于以下原因具有挑战性：1) 如何有效学习时间序列中的复杂动力学和依赖关系；2) 多样且复杂的异常子序列以及正常模式的内在方差和噪声；3) 如何确定合适的子序列长度，以实现有效检测，这是许多现有算法所需的参数。本文提出了一种新的子序列异常检测方法，称为 GraphSubDetector。首先，通过一种长度选择机制自适应学习合适的子序列长度，以突出正常和异常模式的特征。其次，我们提出了一种密度感知自适应图神经网络 (DAGNN)，通过在子序列之间进行消息传递，可生成对正常数据方差更稳健的表示，以实现异常检测。实验结果表明，所提算法具有有效性，在多个时间序列异常基准数据集上相较于最新算法实现了优异性能。
引用
@article{arxiv.2411.17218,
title = {GraphSubDetector: Time Series Subsequence Anomaly Detection via Density-Aware Adaptive Graph Neural Network},
author = {Weiqi Chen and Zhiqiang Zhou and Qingsong Wen and Liang Sun},
journal= {arXiv preprint arXiv:2411.17218},
year = {2024}
}