厘清时间序列异常检测中的“异常”：一种自监督三域解决方案
机器学习
2023-11-28 v2 人工智能
摘要
时间序列异常检测（TSAD）中持续的挑战，尤其是异常标签稀缺以及异常长度与形状的多变性，催生了对更高效解决方案的需求。由于有限的异常标签阻碍了TSAD中的传统监督模型，各类SOTA深度学习技术（如自监督学习）被引入以应对该问题。然而，它们难以处理异常长度与形状的变化，限制了对多样异常的适应性。此外，许多基准数据集存在显式异常问题，连随机函数都能检测出来。点调整（PA）这一不适定评估指标加剧了该问题，其可导致模型性能被虚高。在此背景下，我们提出一种基于自监督学习的新型三域异常检测器（TriAD），它通过跨三个数据域——时域、频域与残差域——建模特征来解决这些挑战，且不依赖异常标签。与传统对比学习方法不同，TriAD采用域间与域内对比损失来学习正常数据的共性属性并将其与异常区分。另外，我们的方法通过结合异常发现算法可检测不同长度的异常。值得注意的是，本研究首次利用严格设计的数据集（即UCR Archive）与评估指标（即PA%K与affiliation）重新评估了深度学习在TSAD中的潜力。在UCR数据集上的实验结果表明，TriAD基于PA%K的F1分数较SOTA深度学习模型提升达三倍，且准确率较SOTA异常发现算法提高50%。
引用
@article{arxiv.2311.11235,
title = {Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution},
author = {Yuting Sun and Guansong Pang and Guanhua Ye and Tong Chen and Xia Hu and Hongzhi Yin},
journal= {arXiv preprint arXiv:2311.11235},
year = {2023}
}
备注
This work is submitted to IEEE International Conference on Data Engineering (ICDE) 2024