May, 2022

通过潜在预测编码实现快速准确的多变量时间序列异常检测

PDF
TL;DRLPC-AD 是一种快速而精确的多元时间序列异常检测方法，通过降低训练时间和提高检测准确度来提升性能，利用 autoencoder、latent predictive coding 等思想构建了通用架构 LPC-Reconstruct，实现了不同训练速度和检测准确度之间的权衡。
发现论文，激发创造
  • 大型语言模型可提供准确且可解释的时间序列异常检测

    LLMAD 是一种新的时间序列异常检测方法，采用大语言模型（LLMs）提供准确而可解释的结果，通过在上下文中的检测来检索正面和负面的相似时间序列片段，并采用 Anomaly Detection Chain-of-Thought（AnoCoT）方法模仿专家逻辑进行决策过程，为用户决策提供解释。

    May, 2024

  • PatchAD：基于补丁的 MLP-Mixer 用于时间序列异常检测

    PatchAD 是一种新颖的多尺度基于补丁的 MLP-Mixer 架构，利用对比学习进行表示提取和异常检测的方法，通过使用 MLP 架构，高效轻量化地实现了一种先进的异常检测方案。

    Jan, 2024

  • 使用概率预测编码的异常变点检测

    我们提出了一种基于深度学习的 CPD/AD 方法，名为 Probabilistic Predictive Coding (PPC)，该方法通过联合学习将序列数据编码成低维潜在空间表示，并预测后续的数据表示以及相应的预测不确定性。该方法具有解释性和可调整性，具有线性时间复杂度，并能适应多种数据类型和复杂应用。

    May, 2024

  • HCL-MTSAD: 面向工业多变量时间序列异常准确检测的分层对比一致性学习

    多元时间序列异常检测研究中，我们提出了一种自我监督的分层对比一致性学习方法（HCL-MTSAD），通过在工业 MTS 中利用多个潜在层级的数据一致性，系统地捕捉相关的关联，进而提高异常检测的能力。

    Apr, 2024

  • 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

  • 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

  • MLAD: 多系统日志异常检测的统一模型

    提出了一种新的异常检测模型 MLAD，该模型通过语义关系推理跨越多个系统。实验证明了 MLAD 的优越性。

    Jan, 2024

  • IT 运维序列预测与异常检测联合模型

    本研究提出了预测器和异常检测器联合模型，使用变分自动编码器和长短期记忆网络来解决 IT 系统监控中的状态预测和异常检测问题，并通过实验证明了其优越性。

    Oct, 2019

  • 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

  • 多分辨率集合和预测编码的循环自编码器用于多元时间序列异常检测

    本研究提出了一种名为 RAE-MEPC 的无监督多变量时间序列异常检测模型，利用多分辨率集成和预测编码学习具有非线性时间动力学的正常行为的信息丰富的表示，实验结果表明该模型在多变量时间序列异常检测方面胜过基准模型。

    Feb, 2022