MST-GAT：一种用于时间序列异常检测的多模态时空图注意力网络
机器学习
2023-10-18 v1 人工智能
摘要
多模态时间序列（MTS）异常检测对于维护工作设备（如污水处理系统和航天器）的安全与稳定至关重要，其数据以具有多种模态的多变量时间序列为特征。尽管近期的深度学习方法在异常检测中展现出巨大潜力，但它们未能显式捕捉不同模态单变量时间序列之间的时空关系，导致更多的假阴性和假阳性。本文提出一种多模态时空图注意力网络（MST-GAT）来解决该问题。MST-GAT 首先采用多模态图注意力网络（M-GAT）和时序卷积网络来捕捉多模态时间序列中的时空相关性。具体而言，M-GAT 使用多头注意力模块和两个关系注意力模块（即模态内注意力和模态间注意力）来显式建模模态相关性。此外，MST-GAT 同时优化重构和预测模块。在四个多模态基准上的实验结果表明，MST-GAT 优于 SOTA 基线。进一步分析表明，MST-GAT 通过定位最异常的单变量时间序列增强了所检测异常的可解释性。
引用
@article{arxiv.2310.11169,
title = {MST-GAT: A Multimodal Spatial-Temporal Graph Attention Network for Time Series Anomaly Detection},
author = {Chaoyue Ding and Shiliang Sun and Jing Zhao},
journal= {arXiv preprint arXiv:2310.11169},
year = {2023}
}
备注
Information Fusion 2023 accepted