专栏名称: 数据派THU
本订阅号是“THU数据派”的姊妹账号,致力于传播大数据价值、培养数据思维。
目录
今天看啥  ›  专栏  ›  数据派THU

时序异常检测新进展!华为诺亚方舟实验室&华东师大提出首个时序异常检测通用模型

数据派THU  · 公众号  · 大数据  · 2024-11-02 17:00

主要观点总结

本文介绍了一种通用的时间序列异常检测模型,该模型由华为诺亚方舟实验室与华东师范大学联合发表。文章从信息瓶颈角度考虑模型的泛化能力,提出了自适应瓶颈层模块以及双解码器对抗训练策略。该模型在多个数据集上进行了zero-shot异常检测,无需目标场景训练数据即可实现高效检测。此外,本文还详细描述了模型方法、自适应瓶颈层以及双解码器对抗训练的具体实现。

关键观点总结

关键观点1: 通用时间序列异常检测模型介绍

文章提出了一种通用的时间序列异常检测模型,针对现有方法需要针对每个特定数据集进行单独模型训练的不足,该模型通过多源数据集预训练,实现了无需目标场景训练数据的高效检测。

关键观点2: 自适应瓶颈层设计

为了增强模型的泛化能力,文章从信息瓶颈角度设计了自适应瓶颈层模块。该模块能够自适应地挑选适合数据重构的信息瓶颈,以满足多源预训练数据不同的信息瓶颈偏好。

关键观点3: 双解码器对抗训练策略

文章采用了双解码器对抗训练策略,以处理多源数据下正常与异常数据决策边界更复杂的问题。该策略通过最小化正常数据的重构误差,同时采用对抗性训练来处理异常数据。

关键观点4: 实验效果

文章在9个不同的异常检测评估数据集上进行了实验,验证了模型的有效性。与现有模型相比,文中提出的模型在多源数据集上预训练后,能够作为新数据集的zero-shot异常检测器,并表现出优异的性能。


文章预览

来源:时序人 本文 约1500字 ,建议阅读 5分钟 这篇文章提出了一种通用的时间序列异常检测模型。 今天给大家介绍时间序列的首个通用异常检测模型,由华为诺亚方舟实验室与华东师范大学联合发表,创新性地从信息瓶颈角度考虑模型的泛化能力并提出双解码器对抗训练策略, 在多个数据集上进行 zero-shot 异常检测也能达到其他模型全量训练的效果。 【论文标题】 Towards a General Time Series Anomaly Detector with Adaptive Bottlenecks and Dual Adversarial Decoders 【论文地址】 https://arxiv.org/abs/2405.15273 论文背景 现有的异常检测方法通常需要针对每个特定的数据集进行单独的模型训练。当可用的训练数据不足时,这些方法由于其有限的泛化能力,往往难以适应多样化的应用场景。针对这一问题,这篇文章提出了一种通用的时间序列异常检测模型,通过在多源数据集上预 ………………………………

原文地址:访问原文地址
快照地址: 访问文章快照
总结与预览地址:访问总结与预览