KDDJun, 2024

自监督的时空正常性学习用于时间序列异常检测

PDF
TL;DR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。
time series anomaly detectionstenspatial-temporal normality learningotndsn
发现论文，激发创造
  • 端到端自调整自监督时间序列异常检测

    通过自动化调整数据增强技术进行时间序列异常检测，以提高无监督模型的性能。

    Apr, 2024

  • 开放式多变量时间序列异常检测

    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

  • 多变量时间序列异常检测与污染数据：应用于生理信号

    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

  • 模型适应新的规范：无监督时间序列异常检测的测试时间调整

    针对非监督时间序列异常检测研究中的 ' 新常态问题 '，本文提出了一种基于趋势估计和自监督方法的简单而有效的测试时间适应策略，通过在推理过程中学习新的常态性，从而提高异常检测器的性能并增强对分布变化的鲁棒性。

    Dec, 2023

  • 时间序列异常检测中的 ' 异常 ' 揭秘：一种自监督的三域解决方案

    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

  • 联合选择状态空间模型和去趋势处理的鲁棒时间序列异常检测

    通过利用选择性状态空间模型和多阶段去趋势机制，该论文提出了一种用于时间序列异常检测的深度学习模型，能够有效地建模长程依赖关系并解决非平稳数据的泛化问题，实证实验表明该方法优于其他 12 个对比基准方法。

    May, 2024

  • 解析异常：一种用于时间序列异常检测的端到端季节趋势分解方法

    TADNet 是一种端到端的传统时间序列异常检测模型，利用季节 - 趋势分解将各种类型的异常链接到特定的分解组件，从而简化复杂时间序列的分析，并提高检测性能。

    Sep, 2023

  • MAD：自监督多元时间序列遮蔽异常检测任务

    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

  • STAN：时空对抗网络用于异常事件检测

    这篇论文提出了一种基于时空对抗网络（STAN）的新颖的异常事件检测方法，通过使用双向 ConvLSTM 考虑时空特征，提高了生成模型的质量，并采用三维卷积层进行分类，同时本文也取得了与最先进方法的竞争性效果。

    Apr, 2018

  • 可配置的时空分层分析用于灵活的视频异常检测

    设计了一种基于空时分层结构的可配置网络体系结构，并利用具有不同能力的基于自编码器的块获得正常模式，通过不断叠加和连接这些块，学习了分层的正常模式，适应了不同的检测需求和各种复杂程度的异常时，通过在三个基准测试中进行实验，并进行了广泛分析，结果表明我们的方法与最先进的方法相当。

    May, 2023