HIFI：面向具有高阶特征交互的多变量时间序列异常检测
机器学习
2021-06-14 v1
摘要
监控复杂系统会产生海量多变量时间序列数据，而这些数据的异常检测对于维持系统正常运行非常重要。尽管近期涌现了大量多变量时间序列异常检测算法，但它们大多忽略多变量之间的相关性建模，这常导致糟糕的异常检测结果。在这项工作中，我们提出了一种用于多变量时间序列的新型异常检测模型，具有高阶特征交互（HIFI）。更具体地，HIFI 自动构建多变量特征交互图，并使用图卷积神经网络实现高阶特征交互，其中长期时间依赖通过注意力机制建模，并利用变分编码技术提升模型性能与鲁棒性。在三个公开可用数据集上的大量实验证明了我们的框架相比最先进方法的优越性。
引用
@article{arxiv.2106.06167,
title = {HIFI: Anomaly Detection for Multivariate Time Series with High-order Feature Interactions},
author = {Liwei Deng and Xuanhao Chen and Yan Zhao and Kai Zheng},
journal= {arXiv preprint arXiv:2106.06167},
year = {2021}
}
备注
8 pages, 1 figures