无惧漂移！D3R方法可用于不稳定多元时间序列异常检测，SOTA提升11%

文章预览

来源：时序人 本文 约2000字 ，建议阅读 5分钟 本文 介绍一篇 NeurIPS 2023中的工作，作者提出了动态分解与扩散重建（D3R）方法，这是一种针对现实世界中不稳定数据的新型异常检测网络。 ‍ 近年来，已提出许多无监督方法用于多元时间序列异常检测。然而，现有工作主要关注稳定数据，却往往忽略了由非平稳环境产生的漂移，这可能导致大量误报。本文介绍一篇 NeurIPS 2023 中的工作，作者提出了动态分解与扩散重建（D3R）方法，这是一种针对现实世界中不稳定数据的新型异常检测网络。整个模型可以端到端训练。在多个真实世界数据集上的大量实验表明，D3R 显著优于现有方法，与之前的最优模型（SOTA）相比，平均相对提升达到11%。 【论文标题】 Drift doesn’t Matter: Dynamic Decomposition with Diffusion Reconstruction for Unstable Multivariate Time Series Anomaly Detection ………………………………