Jan, 2022

TranAD: 多元时间序列异常检测的深度 Transformer 网络

PDF
TL;DR本文提出了基于深度变换网络的异常检测和诊断模型 ——TranAD。该模型采用基于注意力的序列编码器进行推断，能够快速、准确地确定异常观测值，并采用聚焦得分自制约和对抗训练等方法提高特征提取和模型稳定性。实验结果表明，TranAD 在数据和时间效率上优于现有的基准方法。
anomaly detectionmultivariate time-series datadeep transformer networkfocus score-based self-conditioningmodel-agnostic meta learning
发现论文，激发创造
  • 多元时间序列异常检测的耦合注意力网络

    本文提出了一种名为 CAN（coupled attention-based neural network）的框架，用于动态变量关系特征的多变量时间序列异常检测，通过自适应图学习方法与图关注机制相结合，基于全局 - 局部图来表示全局相关性和动态相关性，通过卷积神经网络结合时间自注意力模块来构建耦合注意力模块，实现了多层编码器 - 解码器架构进行重构和预测任务，实验结果表明 CAN 方法明显优于现有的基准方法。

    Jun, 2023

  • TransNAS-TSAD: 利用 Transformer 进行时间序列异常检测的多目标神经架构搜索

    TransNAS-TSAD 是一种新颖的框架，通过将 Transformer 架构与神经架构搜索（NAS）相结合，并通过 NSGA-II 算法优化，有效处理了单变量和多变量时间序列数据的复杂性，在各种数据场景中超过传统的异常检测模型，提供了一个高效的解决方案，并提出了 EACS（效率 - 准确性 - 复杂性得分）作为模型性能评估的新指标。

    Nov, 2023

  • 多元时间序列数据非监督异常检测和诊断的深度神经网络

    该论文提出了一种名为 “MSCRED” 的多尺度卷积循环编码器 - 解码器模型，用于在多元时间序列数据中执行异常检测和诊断，并且在合成数据集和实际电厂数据集上进行了广泛的实证研究，证明 MSCRED 可以优于现有的基线方法。

    Nov, 2018

  • RobustTAD: 基于分解和卷积神经网络的强健时间序列异常检测

    提出一种效率高且可扩展的时间序列异常检测框架 --RobustTAD，该框架通过整合强韧的季节 - 趋势分解和卷积神经网络来处理复杂的时间序列模式，以捕获多尺度信息，并使用数据增强方法来处理标注数据不足的问题。该框架在阿里巴巴集团的不同业务场景中广泛应用并表现显著优异。

    Feb, 2020

  • 解析异常：一种用于时间序列异常检测的端到端季节趋势分解方法

    TADNet 是一种端到端的传统时间序列异常检测模型，利用季节 - 趋势分解将各种类型的异常链接到特定的分解组件，从而简化复杂时间序列的分析，并提高检测性能。

    Sep, 2023

  • 通过 Transformer 自监督检测文本异常

    本文提出了一种将深度学习模型应用于文本异常检测的方法，使用两个独立的自我监督信号，在文本序列上引入了一个新的先决条件任务，并在 20Newsgroups 和 AG News 数据集上均取得了强大的定量和定性结果。

    Apr, 2021

  • 时间序列异常检测中的 ' 异常 ' 揭秘：一种自监督的三域解决方案

    利用三领域异常检测 (TriAD) 的自主学习方法，本文通过对 UCR 数据集的实验结果，相比于最先进的深度学习模型，实现了基于 PA% K F1 分数的三倍提升，并相比于最先进的不和谐发现算法，实现了 50% 准确率的提升。

    Nov, 2023

  • 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

  • VT-ADL: 用于图像异常检测和定位的视觉 Transformer 网络

    本研究提出一种基于 transformer 的图像异常检测和定位网络，利用重构方法和 patch 嵌入的结合，使用高斯混合密度网络定位异常区域，同时发布了一个名为 BTAD 的现实工业异常数据集。

    Apr, 2021

  • 基于多分辨率特征引导的变压器用于异常检测

    该文提出了一种基于 Transformer 的多分辨率特征引导方法 GTrans，用于无监督异常检测和定位。GTrans 通过利用 AGN 模型在提取特征和标记方面的教导来实现异常检测与定位，在 MVTec AD 数据集上获得了最优秀的检测和定位性能。

    May, 2023