重访 VAE 用于无监督时间序列异常检测：频域视角
机器学习
2024-02-06 v1
摘要
时间序列异常检测 (AD) 对于 Web 系统至关重要。各种 Web 系统依赖时间序列数据来实时监控和识别异常，并启动诊断和修复程序。变分自编码器 (VAE) 因其卓越的去噪能力而在近几十年广受欢迎，这对异常检测很有用。然而，我们的研究表明，基于 VAE 的方法在同时捕捉长周期异构模式和详细的短周期趋势方面面临挑战。为了解决这些挑战，我们提出了频率增强条件变分自编码器 (FCVAE)，这是一种用于单变量时间序列的新型无监督 AD 方法。为了确保准确的 AD，FCVAE 利用一种创新方法，将全局和局部频率特征同时整合到条件变分自编码器 (CVAE) 的条件中，以显著提高重建正常数据的准确性。结合精心设计的“目标注意力”机制，我们的方法允许模型从频域中选择最有用的信息，以更好地构建短周期趋势。我们的 FCVAE 已在公共数据集和大规模云系统上进行了评估，结果表明其优于最先进 (SOTA) 方法。这证实了我们的方法在解决当前基于 VAE 的异常检测模型局限性方面的实际适用性。
引用
@article{arxiv.2402.02820,
title = {Revisiting VAE for Unsupervised Time Series Anomaly Detection: A Frequency Perspective},
author = {Zexin Wang and Changhua Pei and Minghua Ma and Xin Wang and Zhihan Li and Dan Pei and Saravan Rajmohan and Dongmei Zhang and Qingwei Lin and Haiming Zhang and Jianhui Li and Gaogang Xie},
journal= {arXiv preprint arXiv:2402.02820},
year = {2024}
}
备注
WWW 2024