Nov, 2023
利用掩码潜在生成建模的可解释异常检测
Explainable Anomaly Detection using Masked Latent Generative Modeling
Daesoo Lee, Sara Malacarne, Erlend Aune
TL;DR我们提出了一种新颖的时间序列异常检测方法，具有优秀的检测准确性和较高的可解释性。我们的方法利用了被称为 TimeVQVAE 的领先时间序列生成方法中的掩蔽生成建模。先前模型在时频域的离散潜空间上进行训练，保留了时频域的维度语义，使我们能够计算不同频段的异常得分，从而更好地了解检测到的异常。此外，先前模型的生成性质允许对检测到的异常进行正常状态的采样，通过反事实推理来增强异常的可解释性。我们在 UCR Time Series Anomaly 存档上的实验评估表明，TimeVQVAE-AD 在检测准确性和可解释性方面明显超过了现有方法。