多变量时间序列异常检测的无监督短期和长期遮罩表示

Aug, 2022

An Unsupervised Short- and Long-Term Mask Representation for Multivariate Time Series Anomaly Detection

Qiucheng Miao, Chuanfu Xu, Jun Zhan, Dong Zhu, Chengkun Wu

TL;DR该研究论文提出了基于无监督的短期和长期遮蔽表示学习的异常检测方法，结合注意力机制和时间序列编码来提高多变量时间序列的预测性能和可解释性，实验证明该方法在三个实际数据集上的性能优于其他最先进的模型。

Abstract

anomaly detection of multivariate time series is meaningful for system behavior monitoring. This paper proposes an anomaly detection metho

发现论文，激发创造

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

本文提出了一种基于长短时记忆神经网络（LSTM）的无监督异常检测算法，通过使用一类支持向量机算法和支持向量数据描述算法来实现决策函数，可以适用于处理可变长度的数据序列，并实现了对 OC-SVM 和 SVDD 算法参数的联合训练和优化，同时提供了半监督和全监督框架的扩展，取得了显著的性能提升。

Oct, 2017

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

这篇论文提出了一种名为 “自监督遮盖” 的无监督异常检测和定位方法，通过随机遮盖和恢复来扩展基于重建的异常检测架构，并引入了渐进式遮盖细化方法来进一步提高检测和定位效率和效果。

May, 2022

本文提出了一种名为 MAD 的新型自监督学习任务，用于多变量时间序列异常检测。该方法通过随机掩蔽输入数据一部分，使得模型在训练中通过学习预测掩蔽的数据能力，比传统的左到右预测任务取得更好的异常检测结果。

May, 2022

通过学习能够识别视频中异常事件的生成模型，我们提出了结合卷积 LSTM 的网络，利用少量的监督来预测视频序列的演变，从预测的一组重建误差中获取规则分数，证明使用 Conv-LSTM 单元对建模和预测视频序列是一种有效的工具。

Dec, 2016

通过学习长期序列完整地表示物体的运动模式，提出了一种堆叠状态机 (SSM) 模型，该模型能够预测未来状态并确定违反正常运动模式的异常，提升了现有方法在视频异常检测方面的效果。

Sep, 2023

通过知识蒸馏，以大型语言模型 (LLM) 为基础训练的教师网络来训练学生网络以检测时间序列异常，利用原型信号和合成异常样本的策略，AnomalyLLM 在 15 个数据集中表现出最先进的性能，在 UCR 数据集中提高了至少 14.5％的准确性。

Jan, 2024

通过一种无监督方法，提出了在长度和标签稀疏性方面都很具有可扩展性的编码器，通过时间负采样的三元损失组合将其与基于因果膨胀卷积的编码器结合，用于生成变长时间序列的通用表示，表现出了良好的质量、可转移性和实用性。

Jan, 2019

本研究提出了一种名为 AMSL 的新方法，通过自身监督学习模块和适应性记忆融合模块，增强了无监督异常检测的泛化能力，并且在四个公共基准测试集上取得了显著的性能改进。

Jan, 2022