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

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.