PatchAD：一种用于时间序列异常检测的轻量级基于补丁的MLP-Mixer
机器学习
2025-08-05 v6
摘要
时间序列异常检测是数据分析中的关键任务，但在标签稀缺场景下区分正常和异常模式具有挑战性。以往的研究大多采用基于重构的方法，这限制了模型的表示能力。此外，现有的深度学习方法不够轻量。针对这些问题，我们提出了PatchAD，一种新颖的高效多尺度基于补丁的MLP-Mixer架构，利用对比学习进行表示提取和异常检测。凭借其四个不同的MLP Mixer和创新的双投影约束模块，PatchAD缓解了潜在的模型退化，并提供了一种轻量级解决方案，仅需参数。其有效性在来自不同应用场景的个数据集上得到了最先进结果的验证，优于多种对比算法。PatchAD将经典F1分数提高了6.84%，Aff-F1分数提高了4.27%，V-ROC提高了2.49%。同时，从理论和实验角度对PatchAD的机制进行了深入分析，验证了模型的设计动机。代码已在https://github.com/EmorZz1G/PatchAD公开。
引用
@article{arxiv.2401.09793,
title = {PatchAD: A Lightweight Patch-based MLP-Mixer for Time Series Anomaly Detection},
author = {Zhijie Zhong and Zhiwen Yu and Yiyuan Yang and Weizheng Wang and Kaixiang Yang},
journal= {arXiv preprint arXiv:2401.09793},
year = {2025}
}
备注
24 pages, 16 figures, 13 tables, TBD 2025