Anomaly Transformer: обнаружение аномалий во временных рядах с использованием расхождения ассоциаций

Time Series Anomaly Detection Leveraging MSE Feedback with AutoEncoder and RNN
Jianmin Wang, Mingsheng Long, Fredrik Heintz, Xu, Jiehui, Wu, Haixu, İbrahim Delibaşoğlu
2024-01-01

Anomaly Transformerассоциативное расхождениеавтоэнкодер-RNNобратная связь по ошибке реконструкцииобнаружение аномалий во временных рядах
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
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.

данные временных рядов

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
Access Type
Author Information
Authors
Jianmin Wang
Mingsheng Long
Fredrik Heintz
Xu, Jiehui
Wu, Haixu
İbrahim Delibaşoğlu
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%