联合选择性状态空间模型与去趋势实现鲁棒时间序列异常检测
机器学习
2024-08-21 v2 人工智能
摘要
基于深度学习的序列模型因其有效的序列建模能力被广泛用于时间序列异常检测（TSAD）任务。然而，TSAD的能力受到两个关键挑战的限制：（i）长程依赖建模能力；（ii）非平稳数据存在时的泛化问题。为应对这些挑战，提出了一种利用选择性状态空间模型的异常检测器，该模型以其在多个领域捕捉长程依赖的能力而闻名。此外，引入了一种多阶段去趋势机制，以减轻非平稳数据中的显著趋势成分，从而解决泛化问题。在真实世界公共数据集上进行的大量实验表明，所提出的方法超越了所有12种对比基线方法。
引用
@article{arxiv.2405.19823,
title = {Joint Selective State Space Model and Detrending for Robust Time Series Anomaly Detection},
author = {Junqi Chen and Xu Tan and Sylwan Rahardja and Jiawei Yang and Susanto Rahardja},
journal= {arXiv preprint arXiv:2405.19823},
year = {2024}
}
备注
Accepted by IEEE Signal Processing Letters. DOI:10.1109/LSP.2024.3438078