DCdetector: контрастивное обучение представлений временных рядов с двойным вниманием для обнаружения аномалий

DCdetector: Dual Attention Contrastive Representation Learning for Time Series Anomaly Detection
Qingsong Wen, Tian Zhou, Chaoli Zhang, Liang Sun, Yiyuan Yang, Liang Sun
2023-08-04

контрастивное обучение представленийдвойное вниманиемногошкальное обучениеинвариантное к перестановкам представлениеобнаружение аномалий во временных рядах
Обнаружение аномалий во временных рядах имеет критическое значение для широкого спектра приложений. Его цель заключается в выявлении отклоняющихся выборок из распределения нормальных выборок во временном ряду. Наиболее фундаментальная проблема этой задачи состоит в обучении отображения представлений, обеспечивающего эффективное различение аномалий. По-прежнему доминируют методы на основе реконструкции, однако обучение представлений с учетом аномалий может снижать производительность из-за больших потерь, обусловленных аномальными данными. С другой стороны, контрастивное обучение направлено на получение представления, позволяющего четко отличать каждый экземпляр от остальных, что может обеспечить более естественное и перспективное представление для обнаружения аномалий во временных рядах. В этой работе мы предлагаем DCdetector — многошкальную модель контрастивного обучения представлений с двойным вниманием. DCdetector использует новую асимметричную архитектуру с двойным вниманием для создания переставленной среды и чистую контрастивную функцию потерь для управления процессом обучения, благодаря чему формируется инвариантное к перестановкам представление с превосходной способностью к различению. Обширные эксперименты показывают, что DCdetector достигает передовых результатов на нескольких эталонных наборах данных для обнаружения аномалий во временных рядах. Исходный код находится в открытом доступе по адресу: https://github.com/DAMO-DI-ML/KDD2023-DCdetector.
1
Чистая контрастивная функция потерь направляет обучение представлений без опоры на ошибки реконструкции аномалий, которые могут искажать представления.
2
DCdetector представляет многошкальную модель контрастивного обучения представлений с двойным вниманием для обнаружения аномалий во временных рядах.
3
Обширные эксперименты показывают результаты уровня state-of-the-art на нескольких эталонных наборах данных для обнаружения аномалий во временных рядах.
4
Асимметричная конструкция с двойным вниманием создаёт переставленные окружения и позволяет обучать перестановочно-инвариантные представления.
5
Полученные представления обеспечивают более сильное различение аномалий по сравнению с методами, ориентированными на реконструкцию.

данные временных рядов и их нормальные/аномальные отсчёты

обучение дискриминативному, инвариантному к перестановкам представлению для выявления аномалий во временных рядах

Publication Details
Publication Date
2023-08-04
Journal
Publisher
ISSN
Cited by
453
Access Type
Author Information
Authors
Qingsong Wen
Tian Zhou
Chaoli Zhang
Liang Sun
Yiyuan Yang
Liang Sun
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%