论文地址:https://arxiv.org/abs/2207.12201
代码地址:https://github.com/xuhongzuo/couta
一、论文介绍
主要内容与解决的问题
利用one-class进行无监督时间序列异常检测一般依赖于学习正常数据的特征。然而,这种学习过程面临两个关键挑战:
(1)训练集中存在未知异常。因为整个训练集通常通过直接假设训练集中的所有观测值都是正常的而被输入到单类分类模型中,学习过程可能会因隐藏在训练集中的异常(即异常污染)而产生偏差。异常污染会极大地干扰学习过程,从而导致严重的过拟合。
(2)缺乏对于异常的了解。在不了解真正异常的情况下,学习过程可能会发现不准确的正常边界,因为在这种情况下很难定义正常行为的范围。
对于问题(1)提出了不确定性建模的校准(uncertainty modeling-based calibration ,UMC)。这种校准有效地抑制了不规则的噪声训练数据,同时增强了正常样本的重要性,即单类分类器可以做出有把握的预测。这在很大程度上减轻了异常污染的负面影响。
对于问题(2)提出了基于本地异常的校准(native anomaly-based calibration,NAC)。它生成不同类型的真实异常示例,并使用它们来校准单类表示,以学习更精确的正态性抽象和更清晰的正态边界。
UMC和NAC结合到一起来构建本论文的模型COUTA。
二、COUTA的总体框架
COUTA的总体框架如上图所示。时间建模网络𝜙