时间序列的异常检测与并行注意力变压器
IEEE transactions on neural networks and learning systems
|December 11, 2023
概括
我们介绍PAFormer,这是一个用于时间序列异常检测的新型无监督框架. 这种方法通过分析全球和本地数据模式,有效地识别异常,优于现有的方法.
科学领域:
- 数据挖掘 数据挖掘
- 机器学习 机器学习
- 时间序列分析 时间序列分析
背景情况:
- 时间序列异常检测对于数据挖掘和质量管理至关重要.
- 现有的方法与现实世界的不平衡数据和正常分布假设作斗争.
- 重建和预测算法是常见的,但有局限性.
研究的目的:
- 提出一种新的无监督框架,PAFormer,用于端到端的时间序列异常检测.
- 解决数据不平衡和难以学习正常模式的挑战.
- 通过建模全球和本地时间序列特征来改善异常歧视.
主要方法:
- 介绍并行注意 (PA) 与全球增强表示模块 (GERM) 和本地感知模块 (LPM).
- 在 GERM 中,可以捕获系列中的全球数据点关系.
- LPM使用可学习的拉普拉斯内核进行本地邻里分析.
- 在模型优化中采用双阶段对抗性损失.
主要成果:
- PAFormer有效地模拟了异常歧视的全球和本地模式.
- 该框架在基准数据集上表现出卓越的性能.
- 与现有基线相比,取得了最先进的结果.
结论:
- PAFormer为无监督的时间序列异常检测提供了一个强大的解决方案.
- 平行注意力机制成功地整合了全球和本地信息.
- 提出的方法克服了处理不平衡数据的传统方法的局限性.
