记忆引导的面具重建与中央对比学习,用于强大的多变量时间序列异常检测
Le He1, Xin Gao1, Xinping Diao2
1School of Intelligent Engineering and Automation, Beijing University of Posts and Telecommunications, Beijing, 100876, China.
概括
这项研究引入了一种新的记忆引导面具重建与中央对比学习 (MMR-CCL) 方法,用于无监督的多变量时间序列异常检测 (MTSAD). MMR-CCL增强了时间依赖的提取,并减少了过拟合,以提高异常检测的准确性.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 无监督的多变量时间序列异常检测 (MTSAD) 方法经常与隐藏和过度匹配受污染数据的语义偏差作斗争.
- 在MTSAD中现有的对比学习方法在分离特征分布方面面临挑战,限制了捕获高级语义信息.
研究的目的:
- 为无监督MTSAD提出一种新的记忆引导面具重建与中央对比学习 (MMR-CCL) 方法.
- 解决基于面具重建的MTSAD中的语义扭曲和过拟合问题.
- 用对比式学习改进在MTSAD中提取高级语义信息.
主要方法:
- 开发了一个全球关联感知记忆模块,以指导面具重建过程并捕捉全球共同点.
- 引入了一个内存调节因子来量化和抑制对受污染数据的过度匹配.
- 实施了记忆固的中央对比学习策略,使用无掩码数据作为,无掩码数据作为积极样本,和充满噪音的数据作为负面样本.
主要成果:
- 拟议的MMR-CCL方法有效地减轻语义扭曲,并增强时间上下文的理解.
- 记忆调节因子成功地抑制了对具有强烈局部相关性的受污染数据的过度匹配.
- 在六个公共数据集上进行的广泛实验表明,MMR-CCL的性能优于现有的22种MTSAD方法.
结论:
- MMR-CCL为无监督的多变量时间序列异常检测提供了一个强大的框架.
- 记忆引导重建和中央对比学习的整合显著提高了检测性能.
- MMR-CCL建立了一个更合理的歧视边界,将重建与正常模式空间对齐.
