ALGAN: Time Series Anomaly Detection with Adjusted-LSTM GAN
School of Computer Science, Faculty of Science, Queensland University of Technology, Brisbane, QLD 4000, Australia(昆士兰科技大学计算机科学学院)
本文提出ALGAN模型,通过调整LSTM输出改进GAN架构,在无监督下有效检测单变量和多变量时间序列异常,并在46个单变量及一个大型多变量数据集上超越传统及基于GAN的方法。
2023-11-01 cs.AI cs.LG
MadSGM: Multivariate Anomaly Detection with Score-based Generative Models
Yonsei University(延世大学);Samsung SDS(三星SDS);LG AI Research(LG人工智能研究院)
MadSGM提出基于分数生成模型的多变量时间序列异常检测方法,综合重构、密度和梯度三类异常度量,在五个基准数据集上取得最稳健准确的预测结果。
2023-08-29 cs.AI cs.LG
TFAD: A Decomposition Time Series Anomaly Detection Architecture with Time-Frequency Analysis
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
时间序列的异常检测是一个具有挑战性的问题,由于复杂的时间依赖性和有限的标签数据。虽然已经提出了一些包括传统模型和深度模型的算法,但大多数算法主要集中在时域建模上,没有充分利用时间序列数据的频域信息。在本文中,我们提出了一个基于时频分析的时间序列异常检测模型,或简称TFAD,利用时域和频域的性能改善。此外,我们将时间序列分解和数据增强机制,在所设计的时频架构,以进一步提高性能和可解释性的能力。在广泛使用的基准数据集上的实证研究表明,我们的方法在单变量和多变量时间序列异常检测任务中获得了最先进的性能。代码在https://github.com/DAMO-DI-ML/CIKM22-TFAD上提供。
2023-03-25 cs.AI cs.LG
Nominality Score Conditioned Time Series Anomaly Detection by Point/Sequential Reconstruction
MIT(麻省理工学院)
提出一种利用基于点和序列重建模型的无监督时间序列异常检测框架,通过整合标称性分数与异常分数推导出更优的诱导异常分数,在多个公共数据集上优于大多数最先进基线方法。
2023-10-24 cs.AI cs.LG
Can LLMs Serve As Time Series Anomaly Detectors?
School of Computing, Macquarie University(麦考瑞大学计算学院);School of Computer Science, University of Technology Sydney(悉尼科技大学计算机科学学院)
本文研究GPT-4和LLaMA3能否检测并解释时间序列异常,发现直接使用不可行,但通过提示策略和合成数据集指令微调可显著提升其异常检测性能,展示出LLMs作为时间序列异常检测器的潜力。
2024-08-06 cs.AI cs.LG
AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly Detection using Data Degradation Scheme
Seoul National University(首尔大学)
AnomalyBERT提出基于数据退化方案的自监督Transformer,通过合成离群值替换输入数据训练模型,有效检测多元时间序列异常,在五个真实基准上超越现有方法。
2023-05-08 cs.AI cs.LG
CESNET-TimeSeries24: Time Series Dataset for Network Traffic Anomaly Detection and Forecasting
CESNET a.l.e.;Czech Technical University in Prague(布拉格捷克理工大学)
本文提出CESNET-TimeSeries24数据集,基于CESNET3网络中27.5万个活跃IP地址40周的流量构建,旨在填补大规模真实网络数据空白,为基于预测的异常检测方法提供真实评估基准。
2024-09-27 cs.AI cs.LG
Denoising Architecture for Unsupervised Anomaly Detection in Time-Series
Telekom Innovation Laboratories(电信创新实验室);Eötvös Loránd University(厄特沃什·罗兰大学)
时间序列中的异常提供了从银行和航空航天到信息技术、安全和医学等一系列行业的关键场景的见解。然而,识别时间序列数据中的异常是特别具有挑战性的,因为异常的定义不精确,标签的频繁缺失,以及这些数据中存在的极其复杂的时间相关性。LSTM自动编码器是一种基于长短期记忆网络的异常检测编码器-解码器方案,它学习重构时间序列行为,然后使用重构错误来识别异常。我们引入去噪架构作为对LSTM编码器-解码器模型的补充,并研究其对现实世界以及人工生成的数据集的影响。我们证明了所提出的架构提高了准确性和训练速度,从而使LSTM Autoencoder在无监督异常检测任务中更有效。
2022-08-30 cs.AI cs.LG
Label-Efficient Interactive Time-Series Anomaly Detection
Tsinghua University(清华大学);Microsoft(微软);University of Washington(华盛顿大学);Peking University(北京大学)
时间序列异常检测是一项重要的研究课题,在工业界有着广泛的应用。由于人工数据标注成本高且效率低,大多数应用程序采用无监督的异常检测方法,但结果通常是次优的,最终客户不满意。弱监督是一种以低成本方式获得大量标签的有前途的范例,它使客户能够通过编写启发式规则来标记数据,而不是单独注释每个实例。然而,在时间序列领域,由于时间序列数据在数值上是连续的,难以理解,人们很难写出合理的标记函数。在本文中,我们提出了一个标签高效的交互式时间序列异常检测(LEIAD)系统,它使用户能够通过执行只有少量的交互系统,以提高无监督的异常检测的结果。为了实现这一目标,该系统集成了弱监督和主动学习协作,同时自动生成标记功能,只使用少量的标记数据。所有这些技术都是相辅相成的,可以相互促进。我们在三个时间序列异常检测数据集上进行了实验,证明了所提出的系统在弱监督和主动学习方面都优于现有的解决方案。该系统已在实际的工业场景中进行了测试,以证明其实用性。
2022-12-30 cs.AI cs.LG
OneShot: Label-Efficient Detector Weighting for Time Series Anomaly Detection
LG AI Research(LG AI研究院)
针对时间序列异常检测缺乏通用检测器的问题,本文提出ONESHOT方法,利用单个已确认异常对检测器组加权,在152个单变量和73个多变量序列上性能优于基线方法。
2026-10-14 cs.AI cs.LG
DDMT: Denoising Diffusion Mask Transformer Models for Multivariate Time Series Anomaly Detection
本文提出DDMT框架,通过自适应动态邻居掩码缓解弱身份映射问题,并首次结合去噪扩散模型与Transformer建模正常数据分布,在五个公开数据集上取得最先进的多元时间序列异常检测性能。
2023-10-30 cs.AI cs.LG
Towards Foundation Auto-Encoders for Time-Series Anomaly Detection
( ) AIT Austrian Institute of Technology
本文提出基于VAE和膨胀卷积的基础自编码器FAE,通过在海量时间序列上预训练实现通用建模与零样本异常检测,并在多个数据集上验证了其初步效果。
2025-07-02 cs.AI cs.LG
Multivariate Time Series Anomaly Detection via Dynamic Graph Forecasting
University Of Waterloo(滑铁卢大学)
单变量时间序列中的异常通常指异常值以及与大多数历史观测的时间模式的偏差。在多元时间序列中,异常也指序列间关系(如相关性)随时间的异常变化。现有的研究已经能够通过图神经网络来建模这种系列间的关系。然而,大多数工作解决了学习静态图全局或在上下文窗口内,以帮助时间序列预测任务或重建任务,其目标是不适合显式检测异常关系。其他一些作品基于重建或预测系列间图的列表来检测异常,由于图的离散性,这无意中削弱了它们捕获数据内的时间模式的能力。在这项研究中,我们提出了DyGraphAD,一个多变量的时间序列异常检测框架的基础上的动态系列间图的列表。其核心思想是通过利用图形的演化性质,基于序列间关系和序列内时间模式从正常状态到异常状态的偏差来检测异常,以便同时帮助图形预测任务和时间序列预测任务。我们在真实世界数据集上的数值实验表明,DyGraphAD具有优于基线异常检测方法的性能。
2023-02-04 cs.AI cs.LG
Retrieval Over Training: Similarity search-based Model Selection for Time Series Anomaly Detection
Université Paris Cité, LIPADE(巴黎西岱大学,LIPADE);École Normale Supérieure, Inria(巴黎高等师范学院,法国国家信息与自动化研究所)
本文提出RAMSAD框架,通过检索相似序列的检测器推荐解决时间序列异常检测模型选择的OOD准确率下降问题,其在ID场景优于基线,OOD场景鲁棒且成本低。
2026-10-16 cs.AI cs.LG
LLM-Assisted Logic Rule Learning: Scaling Human Expertise for Time Series Anomaly Detection
本文提出利用大语言模型学习逻辑规则,用于提升供应链时间序列异常检测的准确性和可解释性,通过三阶段框架实现专家知识的系统编码与自动化优化。
2026-01-27 cs.AI cs.LG
Weighted Contrastive Learning for Anomaly-Aware Time-Series Forecasting
Center for Applied Intelligent Systems Research, Halmstad University(哈尔姆斯塔德大学应用智能系统研究中心);Mikael Linden Consulting AB(Mikael Linden咨询公司)
本文提出WECA方法,通过带权对比学习对齐正常和异常增强的表示,提升异常条件下时间序列预测的可靠性,实验显示在异常数据上SMAPE提升6.1个百分点。
2026-06-29 cs.AI cs.LG
Knowledge-Assisted Multi-Graph Dependency Learning for Multivariate Time Series Anomaly Detection in Multi-Stage Industrial Processes
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
针对多阶段工业过程中多变量时间序列异常检测问题,提出知识辅助多图框架并构建三个互补图,利用多图注意力网络建模,通过纳入过程知识显著提升异常检测性能。
2026-07-20 cs.AI cs.LG
Unravel Anomalies: An End-to-end Seasonal-Trend Decomposition Approach for Time Series Anomaly Detection
Tsinghua University(清华大学);Shanghai Jiao Tong University(上海交通大学)
针对传统时间序列异常检测方法难以处理复杂复合数据与多样异常的问题,提出端到端模型TADNet,结合季节-趋势分解关联异常与分解分量,采用合成数据预训练加微调的训练策略,在真实数据集上实现了当前最优的多类型异常检测性能。
2023-12-14 cs.AI cs.LG
A Comparative Study on Unsupervised Anomaly Detection for Time Series: Experiments and Analysis
Aalborg University(奥尔堡大学);University of Electronic Science and Technology of China(电子科技大学);Huawei Cloud(华为云)
社会过程的持续数字化转化为时间序列数据的激增,这些数据涵盖了欺诈检测、入侵检测和能源管理等应用,其中异常检测对于实现可靠性和安全性至关重要。最近的许多研究针对时间序列数据的异常检测。事实上,时间序列异常检测领域的特点是不同的数据,方法和评估策略,在现有的研究中的比较只考虑这种多样性的一部分,这使得它很难选择一个特定的问题设置的最佳方法。为了解决这一缺点,我们引入了数据,方法和评估策略的分类,使用分类提供了无监督时间序列异常检测的全面概述,并系统地评估和比较了最先进的传统和深度学习技术。在使用九个公开数据集的实证研究中,我们将最常用的性能评估指标应用于公平执行标准下的典型方法。基于结构所提供的分类,我们报告的实证研究,并提供指导方针,在比较表的形式,选择最适合于特定的应用程序设置的方法。最后,我们提出了这个动态领域的研究方向。
2022-09-10 cs.AI cs.LG
Angel or Devil: Discriminating Hard Samples and Anomaly Contaminations for Unsupervised Time Series Anomaly Detection
本文提出PLDA方法,通过结合参数行为和损失行为,提升无监督时间序列异常检测中区分异常污染和困难正常样本的能力,实验表明其显著提升检测性能。
2024-10-26 cs.AI cs.LG
mTSBench: Benchmarking Multivariate Time Series Anomaly Detection and Model Selection at Scale
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Sandia National Laboratories(桑迪亚国家实验室)
mTSBench是一个大规模多变量时间序列异常检测与模型选择基准测试,评估24种检测器并揭示模型选择的迫切需求。
2026-02-07 cs.AI cs.LG
AnomSeer: Reinforcing Multimodal LLMs to Reason for Time-Series Anomaly Detection
提出AnomSeer,通过专家思维链和基于最优传输的时间序列接地策略优化,增强多模态大语言模型在时间序列异常检测中的细粒度推理能力,统一异常分类、定位和解释。
2026-05-31 cs.AI cs.LG
RATFM: Retrieval-augmented Time Series Foundation Model for Anomaly Detection
Chuo University(中川大学)
本文提出检索增强时间序列基础模型RATFM,通过引入目标域正常示例实现测试时自适应异常检测,在避免领域微调的同时取得与领域内微调相当的性能。
2025-06-02 cs.AI cs.LG
Possibility for Proactive Anomaly Detection
University of California, San Diego(加利福尼亚大学圣迭戈分校);KAIST(韩国科学技术院);Samsung SDS(三星SDS公司);Yonsei University(延世大学)
针对现有时间序列异常检测模型依赖观测值误差导致不切实际的问题,本研究提出结合异常检测专用预测模型与数据驱动模型的主动方法,通过训练数据确定阈值并基于预测值检测异常,经四个基准验证有效性且附源代码。
2025-04-15 cs.AI cs.LG
A Graph-based Framework for Online Time Series Anomaly Detection Using Model Ensemble
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Nanjing Normal University(南京师范大学)
本文提出GDME框架,通过动态图结构和模型集成实现在线时间序列异常检测,实验显示其在检测性能和计算效率上均优于现有方法。
2026-01-04 cs.AI cs.LG
MGADN: A Multi-task Graph Anomaly Detection Network for Multivariate Time Series
Tianjin University(天津大学)
时间序列的异常检测,特别是多变量时间序列(多传感器时间序列)的异常检测,一直是人们关注的焦点。虽然现有的方法已经取得了很大的进展,但仍有一些具有挑战性的问题需要解决。首先,包括神经网络在内的现有方法仅关注时间戳方面的关系。确切地说,他们只想知道过去的数据如何影响未来的数据。然而,一个传感器有时会干扰其他传感器,例如风速可能导致温度下降。其次,时间序列异常检测的模型主要有两类:预测模型和重构模型。预测模型善于学习及时表示,但面对稀疏异常时能力不足。重建模型则相反。因此,如何有效地获得时间戳和传感器之间的关系成为我们的主要课题。我们的方法使用GAT,这是源于图神经网络,以获得传感器之间的连接。LSTM用于及时获取关系。我们的方法也被设计为双头计算预测损失和重建损失通过VAE(变分自动编码器)。为了充分利用两种模型的优点,在模型中采用了多任务优化算法。
2022-11-27 cs.AI cs.LG
DeepFIB: Self-Imputation for Time Series Anomaly Detection
时间序列(TS)异常检测(AD)在各种应用中起着至关重要的作用,例如,金融和医疗监控中的欺诈检测。由于异常的固有不可预测性和高度变化的性质以及历史数据中缺乏异常标签,AD问题通常被公式化为无监督学习问题。现有解决方案的性能往往不令人满意,特别是在数据稀缺的情况下。为了解决这个问题,我们提出了一种新的自监督学习技术AD的时间序列,即\emph{DeepFIB}。我们将问题建模为一个\emph{Fill In the Blank}游戏,通过掩蔽TS中的一些元素并将其与其余元素相关联。考虑到TS数据中两种常见的异常形状(点异常或序列异常),我们使用许多自生成的训练样本实现了两种掩蔽策略。相应的自归算网络可以提取更强大的时间关系比现有的AD解决方案,并有效地促进识别这两种类型的异常。对于连续离群值,我们还提出了一个异常定位算法,大大减少了AD错误。在各种真实TS数据集上的实验表明,DeepFIB的性能大大优于最先进的方法,在F1评分方面实现了高达$65.2\%$的相对改善。
2021-12-12 cs.AI cs.LG
An Unsupervised Short- and Long-Term Mask Representation for Multivariate Time Series Anomaly Detection
National University of Defense Technology(国防科技大学);College of Computer Science and Technology(计算机科学与技术学院);Institute for Quantum Information(量子信息研究所)
多元时间序列的异常检测对于系统行为监测具有重要意义。提出了一种基于无监督短时和长时掩码表示学习(SLMR)的异常检测方法。其主要思想是分别利用多尺度残差扩张卷积和门控递归单元(GRU)提取多元时间序列的短期局部依赖模式和长期全局趋势模式。此外,我们的方法可以理解的时间上下文和特征相关性,结合时空掩蔽自监督表示学习和序列分裂。该方法考虑到特征的重要性不同,引入注意力机制来调整各特征的贡献。最后,一个基于预测的模型和一个基于重构的模型相结合,专注于单时间戳预测和时间序列的潜在表示。实验表明,我们的方法的性能优于其他国家的最先进的模型在三个真实世界的数据集。进一步的分析表明,我们的方法是良好的可解释性。
2022-08-19 cs.AI cs.LG
Calibrated One-class Classification for Unsupervised Time Series Anomaly Detection
National University of Defense Technology(国防科技大学);College of Computer, National University of Defense Technology(国防科技大学计算机学院);Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));Singapore Management University(新加坡管理大学)
本文提出校准单类分类方法,通过基于不确定性建模的校准和原生异常校准,缓解无监督时间序列异常检测中的异常污染问题,并在十个数据集上显著优于十六个SOTA基线。
2024-04-24 cs.AI cs.LG
Generalist Representation, Specialist Detection: TS-Router for Time-Series Anomaly Detection
Tsinghua University(清华大学);Huawei(华为);Datadog AI Research(Datadog AI 研究院)
提出TS-Router框架,利用预训练时间序列表示估计各异常检测器能力并自适应选择专家,无需目标标签,在16个基准上取得最佳平均排名。
2026-10-02 cs.AI cs.LG
Feedforward Neural Network for Time Series Anomaly Detection
Tencent Company(腾讯公司);National University of Singapore(新加坡国立大学)
时间序列异常检测通常被表述为发现相对于一些通常数据的异常数据点,这也是工业界和学术界的一个重要问题。为了确保系统稳定运行,互联网公司,银行和其他公司需要监控时间序列,这被称为KPI(关键性能指标),如CPU使用量、订单数、在线用户数等。然而,数以百万计的时间序列有几种形状(例如,季节性KPI、定时任务的KPI和所使用的CPU的KPI),使得很难使用简单的统计模型来检测所有类型的时间序列的异常。虽然一些异常检测器已经发展了很多年,一些监督模型也可以在这个领域,我们发现许多方法都有自己的缺点。在本文中,我们提出了我们的系统,这是基于深度前馈神经网络和检测时间序列的异常点。我们的系统与其他基于监督模型的系统之间的主要区别在于,我们不需要对时间序列进行特征工程来训练深度前馈神经网络,这本质上是一个端到端的系统。
2018-12-21 cs.AI cs.LG stat.ML
Understanding Time Series Anomaly State Detection through One-Class Classification
Qing Yuan Research Institute, Shanghai Jiao Tong University(上海交通大学致远学院)
本文通过一类分类重新定义时间序列异常状态检测问题,构建人工数据集,修正并比较38种算法,为未来研究提供方向。
2024-02-03 cs.LG
Dive into Time-Series Anomaly Detection: A Decade Review
Inria(法国国家信息与自动化研究所);DI ENS(巴黎高等师范学院数字研究所);PSL(巴黎文理研究大学);CNRS(法国国家科学研究中心);The Ohio State University(俄亥俄州立大学);Université Paris Cité(巴黎西岱大学);IUF(法国大学研究院)
本文综述了近十年时间序列异常检测研究,提出以过程为中心的分类法对现有方法进行系统归类,并通过文献元分析总结该领域的主要发展趋势。
2024-12-29 cs.AI cs.DB cs.LG
Ymir: A Supervised Ensemble Framework for Multivariate Time Series Anomaly Detection
本文提出了一个多变量时间序列异常检测框架Ymir,它利用集成学习和监督学习技术有效地学习和适应真实世界系统应用中的异常。Ymir通过集成学习方法集成了目前广泛使用的几种无监督异常检测模型,从而可以在无监督场景下提供鲁棒的前端异常检测结果。在有监督的环境中,领域专家和系统用户讨论并提供训练数据的标签(异常或不异常),这反映了他们对特定系统的异常检测标准。Ymir使用上述无监督方法从原始多变量时间序列数据中提取丰富而有用的特征表示,然后将特征和标签与监督分类器相结合来进行异常检测。我们在来自大型监测系统的内部多变量时间序列数据集上评估了Ymir,并获得了良好的异常检测性能。
2021-12-09 cs.LG
Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy
Tsinghua University(清华大学)
时间序列中异常点的无监督检测是一个具有挑战性的问题,它要求模型推导出一个可区分的准则。以前的方法主要通过学习逐点表示或成对关联来解决这个问题,然而,这两种方法都不足以解释复杂的动力学。近年来,Transformers在点表示和两两关联的统一建模方面表现出强大的能力,我们发现每个时间点的自注意权重分布能够体现与整个序列的丰富关联。我们的关键观察是,由于异常的罕见性,从异常点到整个序列的非平凡关联是非常困难的,因此,异常的关联应主要集中在其相邻的时间点。这种邻近集中偏差意味着一个基于关联的标准,固有地区分正常和异常点,我们强调通过\emph{Association Discrepancy}。在技术上,我们提出了一个新的\emph{Anomaly-Attention}机制来计算关联差异的\emph{Anomaly Transformer}。设计了一种极大极小策略来放大关联差异的正常-异常可分辨性。Anomaly Transformer在三个应用的六个无监督时间序列异常检测基准上取得了最先进的结果:服务监控,空间和地球探测以及水处理。
2022-06-29 cs.LG
TPA-AD: A Two-Stage Pseudo Anomaly-Guided Method for Bearing Time-Series Anomaly Detection
CQSF.com(重庆师范大学);Huadian University(哈尔滨理工大学)
提出一种两阶段伪异常引导方法TPA-AD,通过重构模型和特征误差控制生成边界伪异常窗口,结合对比学习与KNN实现无监督轴承时间序列异常检测,在轴承故障和退化数据集上表现稳定且具泛化性。
2026-06-02 cs.AI cs.LG stat.ML
ASTER: Latent Pseudo-Anomaly Generation for Unsupervised Time-Series Anomaly Detection
University of Montreal(蒙特利尔大学);Université de Montréal(蒙特利尔大学)
提出ASTER框架,在潜在空间生成伪异常训练Transformer分类器,结合预训练LLM增强表示,在三个基准数据集上达到最优性能。
2026-06-12 cs.AI cs.CV cs.LG
An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series
最近提出了几种多变量时间序列异常检测技术,但缺乏对一组常见的数据集和度量的系统比较。本文对基于无监督和半监督深度学习的方法进行了系统和全面的评估,用于对来自网络物理系统的多变量时间序列数据进行异常检测和诊断。与以前的作品不同,我们通过10个模型和4个评分函数的网格来改变模型和模型误差的后处理,即评分函数彼此独立,将这些变体与最先进的方法进行比较。在时间序列异常检测中,检测异常事件比检测单个异常时间点更重要。通过实验,我们发现现有的评价指标要么没有考虑事件,要么不能区分好的检测器和平凡的检测器,如随机检测器或全正检测器。我们提出了一个新的度量,以克服这些缺点,即,复合F分数($Fc_1$),用于评估时间序列异常检测。我们的研究强调,动态评分函数的工作比静态的多变量时间序列异常检测,评分函数的选择往往比选择的基础模型更重要。我们还发现,一个简单的通道模型-单变量全连接自动编码器,具有动态高斯评分函数,是异常检测和诊断的获胜候选者,击败了最先进的算法。
2021-09-23 cs.AI cs.LG stat.ML
FedTADBench: Federated Time-Series Anomaly Detection Benchmark
Sichuan University(四川大学);University of Electronic Science and Technology of China(电子科技大学)
时间序列异常检测致力于从时间数据中发现潜在的异常行为和模式,在各种应用场景中具有重要意义。构建一个有效的检测模型通常需要足够的训练数据以集中的方式存储,然而,这一要求有时不能满足在现实场景中。作为解决上述问题的一种流行方法,联邦学习已经证明了其与分布式数据合作的能力,同时保护数据提供者的隐私。然而,目前还不清楚现有的时间序列异常检测算法如何通过联邦学习与分散的数据存储和隐私保护一起执行。为了研究这一点,我们进行了一个联邦时间序列异常检测基准测试,名为FedTADBench,其中涉及五个代表性的时间序列异常检测算法和四个流行的联邦学习方法。我们想回答以下问题:(1)当遇到联邦学习时,时间序列异常检测算法的性能如何?(2)哪种联邦学习方法最适合于时间序列异常检测?(3)联邦时间序列异常检测方法如何在客户端的不同数据分区上执行?大量的结果以及相应的分析提供了从广泛的实验与各种设置。我们的基准测试的源代码可以在https://github.com/fanxingliu2020/FedTADBench上公开获得。
2022-12-19 cs.LG
MSAD: A Deep Dive into Model Selection for Time series Anomaly Detection
DI ENS, ENS, PSL University, CNRS, Inria, Paris, France(巴黎大学);The Ohio State University(俄亥俄州立大学);Aristotle University Thessaloniki(塞萨洛尼基亚里士多德大学);Université Paris Cité, IUF Paris, France(巴黎大学)
本文提出了一种基于时间序列分类的模型选择方法,用于提高异常检测的准确性和效率,通过评估多种模型配置,展示了模型选择在性能上的优势。
2025-12-02 cs.LG
On the Usage of Generative Models for Network Anomaly Detection in Multivariate Time-Series
IE–FING, UDELAR(乌拉圭共和国大学工程学院信息工程系);AIT Austrian Institute of Technology(奥地利技术研究院)
尽管多年来探索了许多用于异常检测的尝试和方法,但是数据通信网络中的罕见事件的自动检测仍然是一个复杂的问题。在本文中,我们介绍了Net-GAN,一种新的方法来检测网络异常的时间序列,使用递归神经网络(RNN)和生成对抗网络(GAN)。与传统上专注于单变量测量的最新技术不同,Net-GAN通过RNN利用时间依赖性来检测多变量时间序列中的异常。Net-GAN发现基线、多变量数据的潜在分布,而不对其性质进行任何假设,为检测复杂、难以建模的网络监控数据中的异常提供了一种强大的方法。我们进一步利用生成模型背后的概念来构思Net-VAE,这是一种基于变分自动编码器(VAE)的Net-GAN网络异常检测的补充方法。我们在不同的监控场景中评估了Net-GAN和Net-VAE,包括物联网传感器数据中的异常检测和网络测量中的入侵检测。生成模型是一种很有前途的网络异常检测方法,特别是当考虑到复杂性和不断增长的时间序列监测在运营网络。
2020-10-16 cs.AI cs.LG cs.NI
EdgeConvFormer: Dynamic Graph CNN and Transformer based Anomaly Detection in Multivariate Time Series
Curtin University(科廷大学)
EdgeConvFormer通过结合Time2vec、动态图CNN和Transformer,解决Transformer异常检测中数据需求大、位置编码不适用及忽视序列间依赖的问题,并在多尺度真实数据集上实现更优的异常检测性能。
2023-12-04 cs.LG
RePAD2: Real-Time, Lightweight, and Adaptive Anomaly Detection for Open-Ended Time Series
Høgskulen på Vestlandet (HVL)(西挪威应用科学大学);Norwegian University of Science and Technology(挪威科技大学)
开放式时间序列是指按时间顺序索引的一系列数据点,没有结束。由于物联网的普及,这样的时间序列随处可见。为开放式时间序列提供轻量级和实时的【形】的异常检测是行业和组织非常希望的,因为它允许立即响应并避免潜在的财务损失。在过去的几年中,已经引入了几种实时的【形】时间序列异常检测方法。但是,当它们长时间应用于开放式时间序列时,可能会耗尽系统资源。为了解决这个问题,在本文中,我们提出了RePAD 2,一个轻量级的开放式时间序列的实时的【形】异常检测方法,通过改进其前身RePAD,这是最先进的异常检测方法之一。我们进行了一系列实验,将RePAD 2与RePAD和另一种基于真实世界时间序列数据集的类似检测方法进行比较,并证明RePAD 2可以解决上述资源耗尽问题,同时提供相当的检测准确性和略少的时间消耗。
2023-03-02 cs.LG
MAD: Self-Supervised Masked Anomaly Detection Task for Multivariate Time Series
GE Research(通用电气研究院)
在本文中,我们介绍了掩蔽异常检测(MAD),一个通用的自监督学习任务的多元时间序列异常检测。随着来自工业系统的传感器数据的可用性的增加,能够从多变量时间序列数据流中检测异常是非常重要的。由于在现实世界中的应用异常的稀缺性,大多数文献一直专注于建模的正常性。学习的正常表示可以增强异常检测,因为模型已经学会捕获某些关键的底层数据。一个典型的公式是学习预测模型,即,使用时间序列数据窗口来预测未来的数据值。在本文中,我们提出了另一种自监督学习任务。通过随机屏蔽一部分输入并训练模型来使用剩余的输入来估计它们,MAD是对传统的从左到右的下一步预测(NSP)任务的改进。我们的实验结果表明,MAD可以实现更好的异常检测率比传统的NSP方法时,使用完全相同的神经网络(NN)的基础模型,并可以修改运行速度NSP模型在测试时间在相同的硬件,从而使其成为一个理想的升级许多现有的基于NSP的NN异常检测模型。
2022-05-04 cs.AI cs.LG cs.NE
Training-Free Time-Series Anomaly Detection: Leveraging Image Foundation Models
Fujitsu Limited(富士通有限公司)
提出免训练的ITF-TAD方法,利用小波变换将时间序列转为图像并结合图像基础模型进行异常检测,无需网络训练或调参,在五个基准数据集上性能媲美或超越深度模型。
2024-08-27 cs.LG
Series2Graph: Graph-based Subsequence Anomaly Detection for Time Series
EDF R&D(法国电力集团研发中心);Université de Paris(巴黎大学);French University Institute (IUF)(法国大学研究院)
长序列中的子序列异常检测是一个重要的问题,有着广泛的应用。然而,到目前为止,在文献中提出的方法有严重的局限性:它们要么需要用于设计异常发现算法的先验领域知识,或者在具有相同类型的经常性异常的情况下使用变得繁琐和昂贵。在这项工作中,我们解决这些问题,并提出了一个无监督的方法适用于域不可知子序列异常检测。我们的方法,Series2Graph,是基于一个新的低维嵌入的连续性的图形表示。Series2Graph既不需要标记实例(如监督技术),也不需要无异常数据(如零正学习技术),并识别不同长度的异常。在迄今为止使用的最大一组合成和真实数据集上的实验结果表明,所提出的方法可以正确识别单一和经常性异常,而无需事先了解其特征,在准确性方面大大优于几种竞争方法,同时速度更快。本文发表在VLDB 2020上。
2022-07-25 cs.LG
Anomaly Subsequence Detection with Dynamic Local Density for Time Series
Harbin Institute of Technology(哈尔滨工业大学)
异常子序列检测是指检测时间序列中不一致的数据,这些数据往往包含重要的信息。由于时间序列的高维性,传统的异常检测往往需要很大的时间开销;此外,降维技术即使能够提高效率,也会丢失一些信息,并遭受时间漂移和参数调整的影响。本文提出了一种新的基于动态局部密度估计(DLDE)的异常子序列检测方法,通过对时间序列进行时间分割树的动态划分,在不丢失趋势信息的前提下提高检测效果。为了避免哈希函数的影响和动态时间段的随机性,集成学习。在不同类型数据集上的实验结果表明,该模型的性能优于现有方法,准确率有较大的提高。
2019-06-28 cs.LG
Self-Supervised Time-Series Anomaly Detection Using Learnable Data Augmentation
Samsung Electronics(三星电子);Seoul National University(首尔大学)
提出自监督时间序列异常检测技术LATAD,通过对比学习和可学习数据增强生成负样本提取特征,基于潜在特征相似度计算异常分数,性能优于现有方法并能诊断根本原因。
2024-06-18 cs.AI cs.CL cs.LG
Multivariate Time Series Anomaly Detection with Few Positive Samples
GE Research(通用电气研究中心)
由于在现实世界中的应用异常的稀缺性,大多数文献一直专注于建模的正常性。学习的表示使得能够进行异常检测,因为正态模型被训练以捕获在正常情况下的某些关键基础数据。在实际环境中,特别是工业时间序列异常检测中,我们经常会遇到大量正常运行数据以及少量随时间收集的异常事件的情况。这种实际情况要求利用这些少量的异常事件来创建更好的异常检测器的方法。在本文中,我们介绍了两种方法来解决这种实际情况的需要,并比较它们与最近开发的最先进的技术。我们提出的方法锚定在正常操作的自回归(AR)模型的代表性学习以及损失分量,以鼓励表示,分离正常与少数积极的例子。我们将所提出的方法应用于两个工业异常检测数据集,并与文献中的方法进行比较,证明了有效的性能。我们的研究还指出了在实际应用中采用这种方法的额外挑战。
2022-07-02 cs.AI cs.LG cs.NE
Time-Series Anomaly Detection with Implicit Neural Representation
Yonsei University(延世大学)
在许多实际应用中,检测多变量时间序列数据中的异常是必不可少的。最近,各种基于深度学习的方法在时间序列异常检测方面已经显示出相当大的改进。然而,现有的方法仍然具有若干限制,诸如由于其复杂的模型设计而导致的长的训练时间或者用于找到最佳超参数(例如,滑动窗口长度)。在我们的论文中,我们提出了一种新的方法,称为隐式神经表示为基础的异常检测(INRAD)。具体来说,我们训练一个简单的多层感知器,以时间为输入,并输出相应的值在那个时候。然后,我们利用表示错误作为异常检测异常的得分。在五个真实数据集上的实验表明,我们提出的方法在性能、训练速度和鲁棒性方面优于其他最先进的方法。
2022-01-28 cs.LG
Impact of Deep Learning Libraries on Online Adaptive Lightweight Time Series Anomaly Detection
Hogskulen pa Vestlandet (HVL)(西挪威大学学院);Norwegian University of Science and Technology(挪威科技大学)
本文研究深度学习库对在线自适应轻量级时间序列异常检测的影响,通过两种先进方法在三个库中的实现与四个真实数据集上的实验,为选择合适库提供参考。
2023-05-10 cs.LG
Time Series Anomaly Detection with label-free Model Selection
Palo Alto Networks(帕洛阿尔托网络公司)
时间序列数据的异常检测成为许多数据驱动应用程序的一项重要任务,这些应用程序拥有丰富的数据和开箱即用的机器学习算法。在许多现实环境中,开发一个可靠的异常模型是非常具有挑战性的,由于不足的异常标签和异常的例子获得成本昂贵。它提出了一个重要的瓶颈,以评估模型的质量,模型选择和参数调整可靠。因此,许多现有的异常检测算法在部署后未能显示出它们所承诺的性能。在本文中,我们提出了LaF-AD,一种新的异常检测算法与无标记的模型选择的未标记的时间序列数据。我们提出的算法在大量的候选参数模型中执行完全无监督的集成学习。我们开发了一个模型方差度量,量化的异常概率的灵敏度与自举方法。然后,它作出集体决策的异常事件的模型学习器使用的模型方差。我们的算法是很容易并行化,更强大的病态和季节性的数据,大量的异常模型和高度可扩展性。我们评估我们的算法对其他国家的最先进的方法合成域和基准公共数据集。
2021-06-11 cs.LG
HIFI: Anomaly Detection for Multivariate Time Series with High-order Feature Interactions
University of Electronic Science and Technology of China(电子科技大学);Aalborg University(奥尔堡大学)
对复杂系统的监控产生了大量的多变量时间序列数据,这些数据的异常检测对于维护系统的正常运行具有重要意义。尽管近年来出现了大量的多变量时间序列异常检测算法,但大多数算法都忽略了多变量之间的相关性建模,这往往会导致异常检测效果不佳。在这项工作中,我们提出了一种新的异常检测模型的多元时间序列与\underline{HI}高阶\underline{F}特征\underline{I}相互作用(HIFI)。具体而言,HIFI自动构建多元特征交互图,并利用图卷积神经网络实现高阶特征交互,其中,利用注意力机制对长期时间依赖性进行建模,并利用变分编码技术提高模型性能和鲁棒性。在三个公开的数据集上进行的大量实验表明,与最先进的方法相比,我们的框架具有优越性。
2021-06-11 cs.LG
Open Challenges in Time Series Anomaly Detection: An Industry Perspective
Microsoft(微软)
本文从行业视角指出当前时间序列异常检测研究定义脱离实际,基于云系统调查提出流式算法、人在回路、点过程、条件异常和群体分析等开放挑战,并呼吁开展理论与应用研究及构建新数据集和基准。
2025-02-08 cs.LG