LPCVAE：用于时间序列异常检测的具长期依赖性条件变分自编码器
机器学习
2026-02-04 v1 人工智能
新兴技术
摘要
时间序列异常检测（TSAD）是信号处理领域的关键任务，确保复杂系统的可靠性。重建类方法在TSAD中占据主导地位。在这些方法中，基于变分自编码器（VAE）的方法取得了令人期待的成果。现有的VAE方法受限于单窗口特征且不足以充分利用长期时间和频率信息。我们提出具长期依赖性和概率时频融合的条件变分自编码器，称为LPCVAE。LPCVAE引入LSTM来捕捉窗口之外的长期依赖性。它进一步采用产品专家（PoE）机制实现自适应且分布级别的概率融合。该设计有效缓解了时频信息丢失。基于四个公开数据集的大量实验表明，LPCVAE优于现有最先进方法。结果确认，将长期时间和频率表示与自适应融合集成可为TSAD提供稳健且高效的解决方案。
引用
@article{arxiv.2510.10915,
title = {LPCVAE: A Conditional VAE with Long-Term Dependency and Probabilistic Time-Frequency Fusion for Time Series Anomaly Detection},
author = {Hanchang Cheng and Weimin Mu and Fan Liu and Weilin Zhu and Can Ma},
journal= {arXiv preprint arXiv:2510.10915},
year = {2026}
}