利用对比学习与神经变换进行时间序列异常检测

时间序列异常检测（TSAD）在许多工业应用中起着至关重要的作用。尽管对比学习因其在从无标签数据中提取有意义表示方面的能力而在时间序列领域获得关注，但其直接应用于异常检测并非没有障碍。首先，对比学习通常需要负采样以避免表示坍缩问题，即编码器收敛到常数解。然而，从同一数据集中抽取不相似样本对 TSAD 并不合适，因为训练集中大多样本为“正常”。其次，常规对比学习聚焦于实例判别，可能忽略与其时间上下文比较时可检测的异常。本研究提出一种新方法 CNT，其结合了基于窗口的对比学习策略并辅以可学习变换。该双重配置聚焦于捕捉局部区域的时间异常，同时缓解表示坍缩问题。我们的理论分析验证了 CNT 规避常数编码器解的有效性。通过在多样真实工业数据集上的大量实验，我们以超越各类基线及模型变体展示了框架的优越性。