a25-2021-TKDE(A类)-无监督-Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals-精度-基于预测和基于重构
代码链接:https://github.com/7fantasysz/MSCRED
引用库链接:https://pyod.readthedocs.io/en/stable/
挑战:
- 由于时间序列数据中的时间成分,时空域异常检测变得更加复杂。传统的异常检测技术无法处理多变量时间序列信号,因为它们不能同时捕获空间和时间依赖性。
- 基于重构的模型通常用于异常检测。假设异常样本的压缩与正常样本的压缩不同,并且异常样本的重构误差会更高。在现实生活中,受模型的高复杂性和数据的噪声的影响,异常输入的重构误差也可以用训练模型很好地拟合。
- 为了降低多传感器数据的维数并检测异常,广泛采用两步法。两个模型分开训练,容易陷入局部最优。
解决办法:
提出了一种新的基于深度学习的异常检测算法,称为深度卷积自编码记忆网络(CAE-M)。
CAE+MMD+Attention机制+BiLSTM+AR
首先构建一个深度卷积自编码器,利用最