Apr, 2021

基于 Transformer 学习图形结构进行 IoT 多元时间序列异常检测

PDF
TL;DR该研究提出了 GTA，一种新的多元时间序列异常检测框架，具有自动学习图结构、图卷积和使用基于 Transformer 的架构建模时间依赖性等特点。通过在四个公开可用的异常检测基准上进行的广泛实验，证明了该方法优于替代的最新技术水平。
发现论文，激发创造
  • 基于图神经网络的多元时间序列异常检测

    提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

    Jun, 2021

  • 基于图注意力网络的多变量时间序列异常检测

    本文提出了一个新的自监督多元时间序列异常检测框架，使用图注意力层显式地捕获时间序列之间的关系，并结合预测 和重构的方法来获得更好的时间序列表示，实验结果表明该方法在真实数据集上表现优异且具有良好的可解释性。

    Sep, 2020

  • EdgeConvFormer：多变量时序异常检测基于动态图卷积神经网络和 Transformer

    基于 Transformer 的 EdgeConvFormer 模型能够从多变量时间序列数据中学习空间 - 时间关联，并在不同尺度的真实世界数据集上实现比现有方法更好的异常检测性能。

    Dec, 2023

  • MGADN：用于多元时间序列的多任务图形异常检测网络

    研究了多变量时序数据的异常检测问题，提出了一种使用 GAT 和 LSTM 深度学习模型的方法，通过多任务优化算法来同时实现时间戳和传感器之间的关系建模、精准的异常检测和重构。

    Nov, 2022

  • 使用生成对抗网络进行多元时间序列异常检测

    利用生成对抗网络（GAN）进行复杂的网络型智能物理系统的异常检测，通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为，针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。

    Sep, 2018

  • 多变量时间序列异常检测的熵因果图

    本文提出了一种名为 CGAD 的新框架，用于多变量时间序列异常检测，利用传递熵构建反映时间序列数据中潜在因果关系的图结构。通过加权图卷积网络和因果卷积模型多变量时间序列数据中的因果图结构和时间模式。此外，CGAD 还应用异常得分和基于中值绝对偏差的归一化方法提高异常检测的鲁棒性，实验证明，CGAD 在真实数据集上的表现优于最先进的方法，根据三种不同的多变量时间序列异常检测指标平均提高了 15%。

    Dec, 2023

  • 基于空时图学习的多元时间序列异常检测中的相关性感知

    本研究提出了一种新方法：基于关系感知的时空图学习方法，用于解决多元时间序列异常检测问题，该方法采用了关系感知模块来捕捉变量之间的成对关系，并用空间 - 时间图神经网络来捕获复杂的变量间关系，进一步采用图卷积网络和扩张卷积函数来检测异常值。

    Jul, 2023

  • 联邦变分学习用于多元时间序列异常检测

    本研究提出了一种基于联邦学习的时序异常检测框架，采用分布式的共享变分自编码器（VAE）结合卷积门循环单元（ConvGRU）模型，对网络传感器产生的高维多元时序数据进行表征学习和异常检测任务。实验表明，该方法在综合性能和检测延迟方面比其他最先进的模型具有优势。

    Aug, 2021

  • MAD-GAN：基于生成对抗网络的多元时序数据异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在 SWaT 和 WADI 数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

    Jan, 2019

  • 用图神经网络连接点：多元时间序列预测

    该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取自动生成的变量之间的关系，同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性，而这些模块被联合学习在一个端对端框架中。实验结果表明，该模型的性能在 3 个基准数据集上优于现有最先进方法，并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。

    May, 2020