PatchTrAD: 基于分块的 Transformer 聚焦于分块级重构误差进行时间序列异常检测
机器学习
2025-06-11 v2 人工智能
摘要
时间序列异常检测 (Time Series Anomaly Detection, TSAD) 聚焦于识别流数据中观察值是否显著偏离正常模式。随着连接设备的普及,对时间序列的异常检测变得至关重要,因为它使我们能够在各类应用领域中实时监控并早期检测不规则行为。在本工作中,我们引入了 PatchTrAD,一个用于时间序列异常检测的 Patch 基 Transformer 模型。我们的方法利用 Transformer 编码器并采用重构基于的框架进行异常检测。在多个基准数据集上的经验评估显示,PatchTrAD 在检测性能上与状态最佳 (State-of-the-Art, SOTA) 深度学习模型持平,同时在推理期间具有时间效率。
关键词
引用
@article{arxiv.2504.08827,
title = {PatchTrAD: A Patch-Based Transformer focusing on Patch-Wise Reconstruction Error for Time Series Anomaly Detection},
author = {Samy-Melwan Vilhes and Gilles Gasso and Mokhtar Z Alaya},
journal= {arXiv preprint arXiv:2504.08827},
year = {2025}
}