COUTA 解读

论文链接：https://arxiv.org/abs/2207.12201

代码链接：github.com

(一)  挑战

时间序列异常检测 在无监督情形下，通常依赖于：通过 单分类（one-class classification）的数据的 正态性（normality）。

→  1. 训练集内存在 未知、不确定的异常；2. 缺乏 对关注的异常 的 先验知识

什么是 “异常污染（anomaly contamination）” ？

时间序列异常检测任务 可能被 隐藏在训练集内的 有害异常 (即：异常污染) 所偏差，导致：

1. 易过拟合；2. 对正常数据边界（normality boundary）的划分不准确

（本质上，“异常污染” 是含 罕见异常行为或模式 的噪音）

动机：校准单分类，减轻或消除训练集内 “异常污染” 的负面影响，将关注的异常知识引入学习过程，学习耐污染、异常提示的 “数据正态性”

如何 减轻或消除训练集内 “异常污染” 的负面影响？

嵌入不确定性（uncertainty）的新学习目标，自适应地惩罚不确定的预测，鼓励更自信的预测，以确保硬样本的有效学习，并对 “异常污染” 进行软掩盖

为什么使用：深度学习生成式组件 有无法避免的缺陷？

额外组件 本身可能也会受异常污染影响，从而导致伪标记或不正确地去除

为什么现有的自监督代理操作（如：增强噪声等） 有缺陷？

仅更好地学习了数据特征，无法提供 “异常” 的直接相关信息；忽略了：通过简单的数据扰动也可以可靠地模拟时间序列中的真实异常行为

本文提出的、解决“异常污染” 的方法：UMC + NAC

(二)  UMC

高斯分布 方差的平方 可表示模型的不确定性：

Q1：如何引入“高斯分布”（Gaussian），作为新的损失函数？

Q1 : How to design a new learning objective that can handle distance distribution ?

Q2：如何：将 所求得的距离 引入至 高斯分布？

Q2 : how to extend the single distance value to its prior distribution ?

将 单个距离值的输出 扩展到 高斯分布：

1. 采用集合方法获得一组预测，估计分布的均值和方差（耗费计算资源）（ x ）

2. 设置 “旁路隐藏层” ，产生额外的投影输出 d(s*)（ √ ）

解读：模型对同一样本，作出不确定性预测时，| d(s) - d(s*) | 较大，产生惩罚

(三)  NAC

根据异常类型（点、上下文、集群异常）→ 对原时间序列，进行数据扰动（Data perturbation）

→ 手动补充：对关注的异常 的 先验知识：

1. 子序列最后一个观测点 随机选择的一组维度的数据值 替换为 全局极值；（点异常）

2. 基于前 𝑘 个值 的平均值，作为偏移量，填充子序列最后一个观测点；（上下文异常）

3. 从序列末尾区间 [ 1, 0.2𝑙 ] 内随机采段，将这些值均替换为离群值（集群异常）

使用轻量级分类头 c，将各数据样本映射至一个分数。采用均方误差 (Mean Squared Error MSE) 将原始集合的子序列的输出回归到整数 y- = -1，将异常样本的输出回归到整数 y+ = 1

该分支的损失函数定义如下:

(四)  整体框架设计

(五) 超球

(六) 异常分数

(七) 实验结果