本文介绍了基于自我调整自监督异常检测(ST-SSAD)的新方法,该方法通过数据扩充来调整超参数,从而在语义类异常和微妙的工业缺陷中实现了显著的性能提升。
Jun, 2023
本研究提出了一种新方法,名为多变量开放式时间序列异常检测(MOSAD),旨在解决开放式时间序列异常检测问题,该问题在训练阶段可见一小部分有标签的异常样本,测试阶段需要检测到既有的异常类别又有未知的异常类别,并通过在特征提取、多头网络和异常评分模块等方面的创新实现在时间序列异常检测领域的全新的最佳性能。
Oct, 2023
利用三领域异常检测 (TriAD) 的自主学习方法,本文通过对 UCR 数据集的实验结果,相比于最先进的深度学习模型,实现了基于 PA% K F1 分数的三倍提升,并相比于最先进的不和谐发现算法,实现了 50% 准确率的提升。
Nov, 2023
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
本研究介绍了一种无监督式的感知时间序列异常检测方法(TSAD-C),通过对带有异常的训练数据进行去噪、建立变量依赖模型和检测异常值等步骤,成功在三个广泛使用的生理数据集上超越现有方法,达到了领域中的最新技术水平。
Aug, 2023
通过序列顺序预测的时间正常性学习(OTN)模块和基于距离预测的空间正常性学习(DSN)模块的综合,STEN 学习了隐藏在时间序列数据中的规律性的表达式空间 - 时间表示,相比其他方法在广泛的时间序列异常检测基准测试中取得了显著的性能优势。
TimeSeriesBench 是一个工业级基准测试平台,通过多个训练和测试范式、评估指标和数据集的结合共计 168 个评估设置,评估了现有算法的性能,并提供了异常检测算法的未来设计建议。
Feb, 2024
TransNAS-TSAD 是一种新颖的框架,通过将 Transformer 架构与神经架构搜索(NAS)相结合,并通过 NSGA-II 算法优化,有效处理了单变量和多变量时间序列数据的复杂性,在各种数据场景中超过传统的异常检测模型,提供了一个高效的解决方案,并提出了 EACS(效率 - 准确性 - 复杂性得分)作为模型性能评估的新指标。
结合深度变分自编码器(VAEs)和自监督学习(SSL)的新型生成框架,解决了数据稀缺导致的潜在空洞问题,提高了基于重建的时序异常检测方法的稳健性。
Jan, 2024
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