Adversarial Autoencoder for Unsupervised Time Series Anomaly Detection and Interpretation
在许多复杂的系统中,设备通常被监控并产生大量的多元时间序列。然而,由于这些时间序列数据模式复杂,有用的标记数据很少,因此从这些时间序列数据中检测异常是一个很大的挑战。现有的方法要么依赖较少的正则化,要么需要大量的标记数据,导致异常检测的准确性较差。为了克服这些限制,本文提出了一种名为DAEMON的对抗性自编码器异常检测和解释框架,该框架对各种数据集都具有鲁棒性。关键思想是使用两个鉴别器对抗性训练一个自编码器来学习多元时间序列的正常模式,然后使用重建误差来检测异常。通过对隐变量进行正则化和采用对抗生成方法重构数据,保证了daemon的鲁棒性。提出了一种用于检测异常的无监督方法。此外,为了帮助作业者更好地诊断异常,DAEMON通过计算异常数据的梯度来提供异常解释。对真实数据的广泛实证研究表明,该框架在时间序列异常检测的整体f1得分和解释精度方面能够优于最先进的方法。