TranAD：用于多元时间序列数据异常检测的深度Transformer网络
机器学习
2022-05-17 v6
摘要
多元时间序列数据中高效的异常检测与诊断对现代工业应用至关重要。然而，构建一个能够快速且准确锁定异常观测值的系统是一个具有挑战性的问题。这归因于异常标签的缺失、数据的高波动性以及现代应用对超低推理时间的需求。尽管深度学习异常检测方法近期有所发展，但仅有少数能够应对所有这些挑战。本文提出TranAD，一种基于深度Transformer网络的异常检测与诊断模型，其利用基于注意力的序列编码器，结合数据中更广泛的时间趋势知识迅速执行推理。TranAD采用基于焦点分数的自条件机制以实现稳健的多模态特征提取，并通过对抗训练获得稳定性。此外，模型无关元学习（MAML）使我们能够利用有限数据训练模型。在六个公开数据集上的大量实证研究表明，TranAD在检测与诊断性能上优于最先进的基线方法，且训练具有数据与时间高效性。具体而言，与基线相比，TranAD将F1分数提高至多17%，并将训练时间减少至多99%。
引用
@article{arxiv.2201.07284,
title = {TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data},
author = {Shreshth Tuli and Giuliano Casale and Nicholas R. Jennings},
journal= {arXiv preprint arXiv:2201.07284},
year = {2022}
}
备注
Accepted in VLDB 2022