[人工智能]异常数据检测 | Python实现Anomaly-Transformer时间序列异常数据检测

文章概述

Anomaly-Transforme处理关联差异的时间序列异常检测
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，它需要模型学习信息表示并得出可区分的标准。

研究内容

在深度网络上，异常检测的研究主要在：

● 学习时序数据点级别的表征，进而依靠重建或预测误差进行判定，例如RNN；

● 通过图来显式关联建模，将具有不同时间点的时间序列表示为顶点，并通过随机游走检测异常。例如GNN。

但上面两种方式分别有以下缺点：

● pointwise表征信息量较少，并且可能被正常模式主导，使得异常点难以区分。

● 学习到的图仍然仅限于单个时间点，这对于复杂的时间模式是不够的，无法捕捉每个时间点与整个时间序列的关联。

Anomaly-Attention内有两个关联（可以把它理解成点与时序的关联分布，前者是先验假设，后者是模型自学的经验分布）：

了解本专栏 订阅专栏 解锁全文 超级会员免费看