Dec, 2023

MEMTO: 多元时间序列异常检测的记忆引导 Transformer

PDF
TL;DR提出了一种 MEMTO 方法，它是一种使用重构方法的记忆引导 Transformer，用于检测复杂时间依赖性和变量间相关性的实际多元时间序列数据中的异常，通过引入新颖的记忆模块和双维度偏差检测准则，在各领域的五个真实数据集上获得了显著的平均异常检测 F1 得分 95.74％，优于以往最先进的方法。
anomaly detectionmultivariate time series datareconstruction-based deep modelsmemory-guided transformeranomaly scores
发现论文，激发创造
  • 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

  • TranAD: 多元时间序列异常检测的深度 Transformer 网络

    本文提出了基于深度变换网络的异常检测和诊断模型 ——TranAD。该模型采用基于注意力的序列编码器进行推断，能够快速、准确地确定异常观测值，并采用聚焦得分自制约和对抗训练等方法提高特征提取和模型稳定性。实验结果表明，TranAD 在数据和时间效率上优于现有的基准方法。

    Jan, 2022

  • 基于记忆网络的多元时间序列预测解决方案

    提出了一种名为基于记忆的时序网络的深度学习模型，具有较强的可解释性，旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。

    Sep, 2018

  • 基于 Transformer 学习图形结构进行 IoT 多元时间序列异常检测

    该研究提出了 GTA，一种新的多元时间序列异常检测框架，具有自动学习图结构、图卷积和使用基于 Transformer 的架构建模时间依赖性等特点。通过在四个公开可用的异常检测基准上进行的广泛实验，证明了该方法优于替代的最新技术水平。

    Apr, 2021

  • MemStream: 基于内存的流式异常检测

    本文提出了 MemStream，一种流异常检测框架，使用去噪自编码器和内存模块来检测和适应于不断变化的数据趋势，以应对流式数据中的异常情况和概念漂移，并通过实验结果证明其有效性。

    Jun, 2021

  • 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

  • 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

  • EdgeConvFormer：多变量时序异常检测基于动态图卷积神经网络和 Transformer

    基于 Transformer 的 EdgeConvFormer 模型能够从多变量时间序列数据中学习空间 - 时间关联，并在不同尺度的真实世界数据集上实现比现有方法更好的异常检测性能。

    Dec, 2023

  • 记忆增强型深度自编码器用于无监督异常检测中的正常模式记忆

    提出了一种新的改进的自编码器 —— 记忆增强自编码器（MemAE），它通过一个内存模块来防止在异常检测中出现误检。实验表明，MemAE 在不同数据集上均拥有较好的适用性和有效性。

    Apr, 2019

  • 多变量时间序列异常检测的无监督短期和长期遮罩表示

    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。

    Aug, 2022