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%

主要观点总结

文章介绍了NeurIPS 2023中的一项研究，该研究提出了一种名为动态分解与扩散重建（D3R）的新型异常检测网络，用于处理现实世界中不稳定数据。该网络能够端到端训练，并在多个真实世界数据集上显著优于现有方法，平均相对提升达到11%。文章还介绍了研究背景、模型方法、实验效果及可视化分析。

关键观点总结

关键观点1: 研究背景

时间序列异常检测是确保系统持续稳定运作的关键技术。在实际应用中，时间序列的模式会随着外界条件的变化而不断演变，忽略这种动态特性可能会导致异常检测系统的性能下降。

关键观点2: 现有问题

现有研究虽然取得了重大进步，但大部分工作仍然侧重于相对稳定的场景，面对非稳态数据时，传统方法会在标红区域产生较高的异常得分，进而触发不必要的警报。

关键观点3: 模型方法

为了克服现有挑战，作者开发了一种专门为长周期非平稳多元时间序列设计的异常检测算法D3R，主要包括动态分解模块和扩散重建模块。动态分解模块通过数据编码器和时间编码器对原始数据及其时间戳进行深度建模，生成稳定分量；扩散重建模块利用噪声扩散技术创建外部信息瓶颈，并借助主干网络直接重建受污染的数据，重建误差即为异常得分。

关键观点4: 实验效果

作者将D3R在三个真实世界数据集上与15种基准算法进行了对比，D3R优于对手算法并实现了最佳检测性能。同时，提供了分解结果可视化和敏感性分析，进一步验证了D3R的有效性和优越性。

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 ………………………………