Oct, 2023

MST-GAT: 多模空时图注意力网络用于时间序列异常检测

PDF
TL;DR提出了一种多模态空时图注意力网络 (MST-GAT) 用于多模态时间序列 (MTS) 异常检测，通过模型内 - 模型间关注机制、时空卷积等技术来捕捉时间序列之间的空时关系，实验结果显示 MST-GAT 在四个多模态基准上超过了现有方法，进一步分析表明 MST-GAT 通过定位最异常的单变量时间序列增强了异常检测的解释性。
multimodal time seriesanomaly detectionspatial-temporal graph attention networkmst-gatinterpretability
发现论文，激发创造
  • 基于双图的关注多模学习的微服务系统异常检测

    本论文提出了一种基于图的半监督异常检测方法 ——MSTGAD，通过关注多模态学习，无缝地集成所有可用的数据模态，以实现对微服务系统中的异常进行实时自动准确检测。

    Oct, 2023

  • 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

  • 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

  • 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

  • MTAG: 模态 - 时间注意力图用于不对齐的人类多模态语言序列

    本文提出了可解释的基于图的神经模型 MTAG，通过构建多模态序列数据的图，设计了 MTAG 融合操作和动态修剪和读取技术。MTAG 仅关注图中重要的交互，可在情感分析和情感识别基准测试中实现最先进的性能，同时使用了显著更少的模型参数。

    Oct, 2020

  • 多元时间序列数据的全连接时空图

    提出了一种名为全连接时空图神经网络（FC-STGNN）的新方法，通过将传感器之间的相关性考虑为不同时间戳下的相关性，来全面建模多元时间序列数据中的时空依赖关系，并有效地捕捉和学习有效的表示，实验证明其在多个多元时间序列数据集上相对于其他方法具有有效性。

    Sep, 2023

  • 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

  • GAT-GAN：一种基于图注意力机制的时间序列生成对抗网络

    本文提出了一种基于图注意力机制的生成对抗网络（GAT-GAN），使用这种方法可以生成具有高保真度的长时间序列数据，可以通过使用 FTD 评分标准来标准化地评估生成数据的质量和多样性，并且评估结果表明，相比于现有的基于 Frechet Transformer distance 和 Predictive score 的基准模型，GAT-GAN 在多个真实数据集上表现更优。

    Jun, 2023

  • JGAT: 一种用于脑解码的联合时空图注意力模型

    本文提出了一种新的多模态时间图注意力网络框架 —— 联合核图注意力网络（Joint kernel Graph Attention Network，JGAT），结合了功能磁共振成像（fMRI）和扩散加权成像（DWI）的数据，可以保留动态信息，具有更好的编码能力。使用 JGAT 模型从多个 7T fMRI 数据集中对大脑进行解码任务，同时可以计算和学习到注意力得分（AS）和帧得分（FS）来定位多个信息时间段，并建立富有意义的动态通路。

    Jun, 2023

  • 异构传感器网络中的动态图注意力异常检测

    本文提出了一种基于图的异常检测框架 DyGATAD，利用注意机制构建多变量时间序列的连续图表示，并推断时间序列之间的动态边。DyGATAD 结合了基于操作条件感知的重构和基于拓扑的异常评分，从而增强了对关系变化的检测能力，在传感器网络中展示了卓越的集体异常检测性能，尤其在最小严重度故障的早期检测方面表现出特殊优势。

    Jul, 2023