面向时间序列异常检测的基础自编码器
机器学习
2025-07-03 v1 人工智能
摘要
我们研究一种新颖的时间序列建模方法，其灵感来自大型预训练基础模型取得的成功。我们引入了FAE（基础自编码器），一种基于变分自编码器(VAEs)的用于时间序列数据异常检测的基础生成式AI模型。所谓基础，是指一个在大量时间序列数据上预训练的模型，它能够学习复杂的时间模式，这些模式对于在未见过的数据集上进行准确建模、预测和异常检测非常有用。FAE利用VAEs和膨胀卷积神经网络(DCNNs)构建一个通用的单变量时间序列模型，最终有望在开箱即用的零样本异常检测应用中表现良好。我们介绍了FAE的主要概念，并展示了来自不同领域的多个多维时间序列数据集的初步结果，包括来自运营移动ISP的真实数据集，以及著名的KDD 2021异常检测数据集。
引用
@article{arxiv.2507.01875,
title = {Towards Foundation Auto-Encoders for Time-Series Anomaly Detection},
author = {Gastón García González and Pedro Casas and Emilio Martínez and Alicia Fernández},
journal= {arXiv preprint arXiv:2507.01875},
year = {2025}
}
备注
Presented at ACM KDD 2024, MiLeTS 2024 Workshop, August 25, 2024, Barcelona, Spain