CARLA：一种用于时间序列异常检测的自监督对比表示学习方法

Aug, 2023

CARLA：一种用于时间序列异常检测的自监督对比表示学习方法

CARLA: A Self-supervised Contrastive Representation Learning Approach for Time Series Anomaly Detection

Zahra Zamanzadeh Darban, Geoffrey I. Webb, Shirui Pan, Mahsa Salehi

TL;DR我们引入了一种自监督对比表示学习方法（CARLA）用于时间序列异常检测，这是一种创新的端到端自监督框架，精心开发，用于识别单变量和多变量时间序列数据中的异常模式。通过利用对比表示学习，CARLA 能够为时间序列窗口生成稳健的表示。它通过 1）学习时间上接近的窗口的相似表示和窗口及其等效异常窗口的不相似表示，以及 2）使用自监督方法根据表示空间中的最近 / 最远邻居对窗口的正常 / 异常表示进行分类，有效地解决了时间序列数据中异常检测的固有挑战。通过在 7 个标准实际时间序列异常检测基准数据集上进行广泛实验，CARLA 表现出比现有最先进结果更好的 F1 和 AU-PR。我们的研究突显了对比表示学习在推动时间序列异常检测领域的巨大潜力，为该领域的新型应用和深入探索铺平了道路。

Abstract

We introduce a self-supervised contrastive representation learning Approach for time series anomaly detection (CARLA), an innovative end-to-end self-supervised framework carefully developed to identify anomalous

self-supervised contrastive representation learning time series anomaly detection univariate and multivariate time series data robust representations contrastive learning methodology

发现论文，激发创造

混合对比学习：时序的自监督表示学习

提出了一种新的基于对比损失的无监督表示学习框架，并通过利用数据增广方案生成新样本来优化损失函数，实现混合样本的预测任务，以利用软目标进行学习。实验结果表明本方法在单变量和多变量时间序列上的表现优于其他表示学习方法，并展示了它对于临床时间序列的传递学习的好处。

Mar, 2022

DCdetector：用于时间序列异常检测的双关注对比表征学习

本文提出 DCdetector 模型，采用多尺度双重注意力对比度表示学习，实现时间序列异常检测的最新结果。

Jun, 2023

LARA：轻量级和抗过拟合的无监督异常检测再训练方法

该研究提出了一种基于深度变分自编码器（VAEs）的时间序列异常检测方法中的轻量级和防过拟合的重新训练方法（LARA），该方法能够以较快的速率收敛，并避免过拟合问题。实验证明，即使使用新分布的 43 个时间段的数据来重新训练 LARA，其 F1 得分仍与使用充分数据训练的最先进的异常检测模型相竞争，并且该方法的额外开销较小。

Oct, 2023

多任务自监督时间序列表示学习

本文提出了一种新的时间序列表示学习方法，通过自监督任务的上下文、时间和转换一致性，结合不确定性加权方法，实现了多任务学习和跨领域传递学习，进而在时间序列分类、预测和异常检测等下游任务中取得了更好表现。

Mar, 2023

可学习数据增强的自监督时间序列异常检测

我们提出了一种利用可学习数据增强的时间序列异常检测（LATAD）技术，该技术通过对比学习从时间序列数据中提取判别特征。LATAD 在潜在特征相似性的基础上测量异常得分，并在多个基准数据集上表现出与最先进的异常检测评估相当或更好的性能，并提供了一种基于梯度的诊断技术来帮助确定根本原因。

Jun, 2024

基於上下文區分對比學習的時間序列異常檢測

针对时间数据中的异常检测问题，提出了一种新的方法，借鉴了 DeepSVDD 的损失函数，结合了 Neutral AD 的确定性对比损失，提高了在实际工业数据集中的性能表现。

Apr, 2023

通过序列对比学习获取长视频的逐帧动作表示

本文提出了一种新颖的对比行动表示学习（CARL）框架，用于以自我监督的方式学习帧级行动表示，特别是针对长视频。该框架包括一个简单而高效的视频编码器，以及应用于一系列时空数据增强的新颖序列对比损失（SCL）。我们通过 FineGym，PennAction 和 Pouring 数据集的实验证明，该方法在下游的细粒度行动分类任务上表现出明显的优越性。令人惊讶的是，即使没有对配对视频进行训练，我们的方法在视频对齐和细粒度帧检索任务上也表现出了出色的性能。

Mar, 2022

遮蔽对比学习用于异常检测

本文提出了一种基于自我监督学习方法的特定任务变体对比学习称为 “遮蔽对比学习”，其更适用于异常检测，并提出了一种自我集成推断方法，通过利用辅助自我监督任务学习的能力进一步提高模型性能，在各种基准数据集上的表现显著超过以往的最先进方法。

May, 2021

深度对比单类时间序列异常检测

提出了一种基于深度对比学习的时序对比一类异常检测方法（COCA），具有优秀的性能，并通过两个真实世界的时间序列数据集的广泛实验进行验证。

Jul, 2022

面向时间异常定位的基于一致性自监督学习

本文针对弱监督异常检测进行研究，利用自监督学习策略，通过对同一视频序列数据进行不同变换来使模型获得相同的分数，并通过实验证明这种对齐方式可以提高模型在 XD-Violence 数据集上的性能表现。

Aug, 2022