时间序列异常检测旨在检测时间序列中与正常数据不符的时间点或片段。如何充分利用时间序列中的上下文信息以提升检测精度,是目前构建异常检测模型的关键。然而,现有方法未充分考虑数据中上下文依赖关系的差异性,也缺乏对异常样本的建模...时间序列异常检测旨在检测时间序列中与正常数据不符的时间点或片段。如何充分利用时间序列中的上下文信息以提升检测精度,是目前构建异常检测模型的关键。然而,现有方法未充分考虑数据中上下文依赖关系的差异性,也缺乏对异常样本的建模,导致正常和异常样本区分度不明显,检测效果欠佳。因此,提出了一种考虑上下文依赖差异化的异常检测(Diffe-rentiated Context Dependency for Time Series Anomaly Detection,DCDAD)模型用于时序异常检测。DCDAD模型通过自注意力捕捉时间维度的上下文依赖,并在聚类过程中学习用于区分正、异常样本的超球面。采用异常注入思想对数据集进行扩充,解决异常样本稀缺的问题,并针对性地设计了差异化学习的目标函数,扩大正、异常样本的差异性,进而提升异常检测性能。在5个真实时序数据集上进行了大量实验,在F_(1)分数上相比于现有最先进的算法提升了约1.2%,证实了以差异化方式学习上下文依赖关系可提升模型的异常检测效果,同时参数敏感性分析和消融实验的结果也验证了DCDAD模型的稳定性以及有效性。展开更多
文摘时间序列异常检测旨在检测时间序列中与正常数据不符的时间点或片段。如何充分利用时间序列中的上下文信息以提升检测精度,是目前构建异常检测模型的关键。然而,现有方法未充分考虑数据中上下文依赖关系的差异性,也缺乏对异常样本的建模,导致正常和异常样本区分度不明显,检测效果欠佳。因此,提出了一种考虑上下文依赖差异化的异常检测(Diffe-rentiated Context Dependency for Time Series Anomaly Detection,DCDAD)模型用于时序异常检测。DCDAD模型通过自注意力捕捉时间维度的上下文依赖,并在聚类过程中学习用于区分正、异常样本的超球面。采用异常注入思想对数据集进行扩充,解决异常样本稀缺的问题,并针对性地设计了差异化学习的目标函数,扩大正、异常样本的差异性,进而提升异常检测性能。在5个真实时序数据集上进行了大量实验,在F_(1)分数上相比于现有最先进的算法提升了约1.2%,证实了以差异化方式学习上下文依赖关系可提升模型的异常检测效果,同时参数敏感性分析和消融实验的结果也验证了DCDAD模型的稳定性以及有效性。
