CutAddPaste 解读

文章出处：KDD 2024

代码链接：GitHub - ruiking04/CutAddPaste: CutAddPaste: Time Series Anomaly Detection by Exploiting Abnormal Knowledge

1. 提出动机

(1) 现有方法大都依赖 “正态性假设”，忽略已有标记的异常样本；

(2) 基于 “异常假设” 的方法将 有关异常的先验知识纳入训练分类器内，做 “数据增强”，但目前的 随机增强 或 粗粒度增强 仅关注 “点状异常”，使性能较差。

*注：基于 “正态性假设” 或 “异常假设”：

正态性假设：假定训练集内没有或仅有少数异常样本，不考虑专家知识及已标注的异常样本；

（侧重提取正常样本特征）

异常假设：充分利用专家知识及已标注的异常样本，并在实践中生成伪异常，辅助建立决策边界；

（侧重提取异常样本特征）

2. 网络结构

3. Data Augmentation

关键操作：

① Cut：从样本X内随机采样，获得待注入异常的时间片段xi；

② Add：注入五类时序先验异常；

③ Paste：从样本Y内随机采样，从其中随机选取时间片段xj，用xi替换xj

4. 实验结果