基于时空正规性学习的时间序列异常检测
机器学习
2024-07-01 v1 人工智能
摘要
时间序列异常检测 (TSAD) 在金融市场、工业生产和医疗保健等多个领域得到广泛应用。其主要目标是学习时间序列数据的正常模式，从而识别测试样本中的偏差。大多数现有 TSAD 方法关注从时间维度建模数据，忽略空间维度中的语义信息。为此，我们引入一种新方法，称为时空正规性学习 (STEN)。STEN 由一个基于序列顺序预测的时序正规性学习 (OTN) 模块组成，用于捕捉序列内部的时序相关性，以及一个基于距离预测的空间正规性学习 (DSN) 模块，用于在特征空间中学习序列之间的相对空间关系。通过综合这两个模块，STEN 学习了隐藏在时间序列数据中的表达性时空表示，用于捕捉正常模式。对五个流行的 TSAD 基准进行大量实验表明，STEN 在与当前最先进方法相比时显著优于。我们的代码可在 https://github.com/mala-lab/STEN 上获取。
引用
@article{arxiv.2406.19770,
title = {Self-Supervised Spatial-Temporal Normality Learning for Time Series Anomaly Detection},
author = {Yutong Chen and Hongzuo Xu and Guansong Pang and Hezhe Qiao and Yuan Zhou and Mingsheng Shang},
journal= {arXiv preprint arXiv:2406.19770},
year = {2024}
}
备注
18 pages, 4 figures, accepted in ECML PKDD2024