-
题名受限分布映射和伪异常校准引导下的时序异常检测
被引量：1
- 1
-
-
作者
陈泽健
李佐勇
胡蓉
樊好义
-
机构
福建理工大学计算机科学与数学学院
闽江学院计算机与控制工程学院
福建省信息处理与智能控制重点实验室
郑州大学计算机与人工智能学院
-
出处
《计算机工程与应用》
北大核心
2025年第5期134-146,共13页
-
基金
国家自然科学基金(61972187)
河南省高校重点项目(23A52002)
科技创新2030-“新一代人工智能”重大专项(2021ZD0111000)。
-
文摘
时间序列异常检测旨在识别与正常行为显著不同的稀有模式或偏差。现有的研究侧重于设计更先进的网络架构或优化目标来尽可能准确地捕获数据的正常模式。然而,异常污染下的训练数据和异常信息的缺失会致使传统方法学习到的正态决策边界产生偏差,从而导致次优级的检测性能。提出一种受限分布映射和伪异常校准引导下的无监督异常检测方法。具体地,利用时间卷积网络提取输入数据特征。为了学习更精确的正态决策边界,从两个方面优化正态表征学习过程:第一,提出一种受限分布映射方法,通过特征归一化将训练数据的未知分布映射至高斯分布,并最小化正常数据与超球中心的单类距离,使数据在特征空间中更加紧凑;第二,提出一种伪异常校准机制,利用数据扰动操作从原始数据生成多种类型的伪异常数据,并通过区分正常数据和伪异常数据向模型注入异常知识,矫正决策边界。同时,通过最大化伪异常数据与超球中心的单类距离,扩大正常与异常数据之间的类可分离性。在测试阶段,通过测量输入数据与超球中心的单类距离来检测异常。在5个真实数据集上进行的大量实验表明,该方法实现了相比目前主流方法的更优性能,并且在不同程度的异常污染训练数据下具备更高的鲁棒性。
-
关键词
时间序列
异常检测
受限分布映射
伪异常校准
-
Keywords
time series
anomaly detection
restricted distribution mapping
pseudo anomaly calibration
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
