MAD：面向多元时间序列的自监督掩码异常检测任务
机器学习
2022-10-04 v1 人工智能
神经与进化计算
摘要
在本文中，我们引入掩码异常检测（MAD），一种面向多元时间序列异常检测的通用自监督学习任务。随着工业系统传感器数据可用性的提升，能够从多元时间序列数据流中检测异常具有重要意义。鉴于真实应用中异常的稀缺性，多数文献聚焦于对正常性建模。所学得的正常表示可赋能异常检测，因为模型已学会捕捉某些关键底层数据规律。一种典型形式是学习一个预测模型，即使用一段时间窗的时间序列数据预测未来数据值。在本文中，我们提出一种替代性的自监督学习任务。通过随机掩码部分输入并训练模型利用剩余部分估计它们，MAD 是对传统从左至右下一步预测（NSP）任务的改进。我们的实验结果表明，在使用完全相同的神经网络（NN）基模型时，MAD 能比传统 NSP 方法取得更优的异常检测率，并且可被改造为在测试时于相同硬件上达到与 NSP 模型一样快的速度，从而使其成为许多现有基于 NSP 的 NN 异常检测模型的理想升级方案。
引用
@article{arxiv.2205.02100,
title = {MAD: Self-Supervised Masked Anomaly Detection Task for Multivariate Time Series},
author = {Yiwei Fu and Feng Xue},
journal= {arXiv preprint arXiv:2205.02100},
year = {2022}
}
备注
Accepted by the 2022 International Joint Conference on Neural Networks (IJCNN 2022)