MA-VAE：基于多头注意力的变分自编码器方法用于汽车耐久动力总成测试中的多元时间序列异常检测
机器学习
2024-11-22 v2 人工智能
系统与控制
系统与控制
摘要
随着对记录数据的关注日益增加且人工评估达到其能力极限，应用于汽车测试的自动异常检测需求已明确显现。此类真实世界数据海量、多样、多元且具有时间性质，因此需要对被测对象行为进行建模。我们提出一种带多头注意力的变分自编码器（MA-VAE），当在无标签数据上训练时，它不仅提供极少的误报，还能检测出所呈现异常中的大多数。此外，该方法提供了一种避免旁路现象的新途径，旁路现象是文献中研究过的一种不良行为。最后，该方法还引入了一种将个体窗口重映射到连续时间序列的新方法。结果在真实世界工业数据集背景下给出，并进行了若干实验以进一步探究所提模型的某些方面。当配置得当时，其在标记异常时有 9% 的错误率，并能发现所存在异常的 67%。此外，MA-VAE 有潜力仅用训练与验证子集的一小部分就表现良好，但要提取此潜力，需要更精细的阈值估计方法。
引用
@article{arxiv.2309.02253,
title = {MA-VAE: Multi-head Attention-based Variational Autoencoder Approach for Anomaly Detection in Multivariate Time-series Applied to Automotive Endurance Powertrain Testing},
author = {Lucas Correia and Jan-Christoph Goos and Philipp Klein and Thomas Bäck and Anna V. Kononova},
journal= {arXiv preprint arXiv:2309.02253},
year = {2024}
}