文章出处:KDD 2024
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