Anomaly Transformer: обнаружение аномалий во временных рядах с использованием расхождения ассоциаций
Time Series Anomaly Detection Leveraging MSE Feedback with AutoEncoder and RNN
2024-01-01
SCID: 54.1/da2qpb8v
Discuss with AI
Anomaly Transformerассоциативное расхождениеавтоэнкодер-RNNобратная связь по ошибке реконструкцииобнаружение аномалий во временных рядах
Figures from the paper
Abstract (AI)
Обнаружение аномалий во временных рядах является важной задачей в различных областях, включая финансы, здравоохранение, кибербезопасность и промышленность. Традиционные методы, такие как декомпозиция временных рядов, кластеризация и оценка плотности, обеспечивают надежные решения для выявления аномалий, характеризующихся отличительными закономерностями или значительными отклонениями от нормальных распределений данных. Последние достижения в области машинного обучения и глубокого обучения дополнительно расширили эти возможности. В настоящей работе предлагается новый метод обнаружения аномалий, сочетающий преимущества автоэнкодеров и рекуррентных нейронных сетей (RNN) с механизмом обратной связи по ошибке реконструкции на основе среднеквадратичной ошибки. Мы сравниваем предложенный метод с классическими методами и современными подходами, такими как OmniAnomaly, использующий стохастические рекуррентные нейронные сети, Anomaly Transformer, вводящий расхождение ассоциаций для учета дальних зависимостей, и DCDetector, использующий контрастивное обучение представлений с многомасштабным двойным вниманием. Экспериментальные результаты показывают, что предложенный метод демонстрирует превосходящие общие результаты по показателям точности, полноты и F1-меры. Исходный код доступен по адресу: http://github.com/mribrahim/AE-FAR
Key Findings
1
Согласно экспериментам, метод обеспечивает более высокие совокупные значения точности, полноты и F1-меры по сравнению с рассмотренными методами.
2
Исходный код опубликован по адресу http://github.com/mribrahim/AE-FAR.
3
Подход предназначен для обнаружения аномалий во временных рядах за счёт использования ошибок реконструкции и изученных временных закономерностей.
4
Метод сравнивается с классическими подходами, OmniAnomaly, Anomaly Transformer и DCDetector.
5
В статье представлен метод обнаружения аномалий, объединяющий автоэнкодеры, рекуррентные нейронные сети и обратную связь по ошибке реконструкции на основе среднеквадратичной ошибки.
Research Object
данные временных рядов
Research Subject
эффективность обнаружения аномалий, включая точность, полноту и F1-меру, с использованием метода на основе автоэнкодера и RNN с обратной связью по ошибке реконструкции
Publication Details
Publication Date
2024-01-01
Journal
Publisher
ISSN
Cited by
7
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai10
PyTorch: библиотека глубокого обучения с императивным стилем программирования и высокой производительностью2019
Isolation Forest2008
Надёжное обнаружение аномалий в многомерных временных рядах с использованием стохастической рекуррентной нейронной сети2019
Обнаружение аномалий в многомерных временных рядах на основе графовых нейронных сетей2021
Обнаружение аномалий без учителя с помощью вариационного автокодировщика для сезонных KPI в веб-приложениях2018
Обнаружение аномалий в многомерных временных рядах с помощью графовой сети внимания2020
Практический подход к обнаружению и локализации аномалий в асинхронных многомерных временных рядах2021
Обнаружение и интерпретация аномалий в многомерных временных рядах с использованием иерархического межметрического и временного вложения2021
Обучение структур графов с помощью Transformer для обнаружения аномалий в многомерных временных рядах в Интернете вещей2021
DCdetector: контрастивное обучение представлений временных рядов с двойным вниманием для обнаружения аномалий2023
Работы, цитирующие эту статью5
Трансформеры во временных рядах: обзор2023
Глубокое обучение для обнаружения аномалий во временных рядах: обзор2024
Обзор графовых нейронных сетей для временных рядов: прогнозирование, классификация, импутация и обнаружение аномалий2024
DCdetector: контрастивное обучение представлений временных рядов с двойным вниманием для обнаружения аномалий2023
Обзор глубокого обнаружения аномалий в многомерных временных рядах: таксономия, приложения и направления исследований2025