结合关联差异的 Mamba 自适应异常 Transformer 用于时间序列
机器学习
2025-05-20 v3
摘要
时间序列中的异常检测对于工业监控和环境感知至关重要，但从复杂模式中区分异常仍然具有挑战性。现有的方法如 Anomaly Transformer 和 DCdetector 取得了一定进展，但它们面临一些局限性，例如对短期上下文的敏感性以及在嘈杂、非平稳环境中的低效性。为了克服这些问题，我们引入了 MAAT，这是一种改进的架构，增强了关联差异建模和重构质量。MAAT 采用稀疏注意力，通过聚焦相关时间步来高效捕获长程依赖关系，从而减少计算冗余。此外，重构模块中引入了 Mamba 选择性状态空间模型，利用跳跃连接和门控注意力来提高异常定位和检测性能。大量实验表明，MAAT 显著优于以往方法，在各种时间序列应用中实现了更好的异常可区分性和泛化能力，为真实世界场景中的无监督时间序列异常检测树立了新标准。
引用
@article{arxiv.2502.07858,
title = {Mamba Adaptive Anomaly Transformer with association discrepancy for time series},
author = {Abdellah Zakaria Sellam and Ilyes Benaissa and Abdelmalik Taleb-Ahmed and Luigi Patrono and Cosimo Distante},
journal= {arXiv preprint arXiv:2502.07858},
year = {2025}
}