PatchAD: A Lightweight Patch-based MLP-Mixer for Time Series Anomaly Detection

要約

時系列分析における異常検出は極めて重要なタスクですが、ラベルが不足しているシナリオで正常なパターンと異常なパターンを識別するという課題が生じています。
従来の研究では主に再構成ベースのアプローチが採用されており、モデルの表現能力が制限されています。
さらに、既存の深層学習ベースの手法は十分に軽量ではありません。
これらの問題に対処するために、表現の抽出と異常検出に対照学習を利用する、新しい高効率のマルチスケール パッチベースの MLP ミキサー アーキテクチャである PatchAD を紹介します。
PatchAD は、4 つの異なる MLP ミキサーと革新的なデュアル プロジェクト制約モジュールを備えているため、潜在的なモデルの劣化を軽減し、わずか 3.2$MB しか必要としない軽量のソリューションを提供します。
その有効性は、さまざまなアプリケーション シナリオから取得した 9 ドルのデータセットにわたる最先端の結果によって実証され、30 ドルを超える比較アルゴリズムを上回ります。
PatchAD は、従来の F1 スコアを $50.5\%$、Aff-F1 スコアを $7.8\%$、AUC を $10.0\%$ それぞれ大幅に改善します。
コードは公開されています。
\url{https://github.com/EmorZz1G/PatchAD}

要約(オリジナル)

Anomaly detection in time series analysis is a pivotal task, yet it poses the challenge of discerning normal and abnormal patterns in label-deficient scenarios. While prior studies have largely employed reconstruction-based approaches, which limits the models’ representational capacities. Moreover, existing deep learning-based methods are not sufficiently lightweight. Addressing these issues, we present PatchAD, our novel, highly efficient multiscale patch-based MLP-Mixer architecture that utilizes contrastive learning for representation extraction and anomaly detection. With its four distinct MLP Mixers and innovative dual project constraint module, PatchAD mitigates potential model degradation and offers a lightweight solution, requiring only $3.2$MB. Its efficacy is demonstrated by state-of-the-art results across $9$ datasets sourced from different application scenarios, outperforming over $30$ comparative algorithms. PatchAD significantly improves the classical F1 score by $50.5\%$, the Aff-F1 score by $7.8\%$, and the AUC by $10.0\%$. The code is publicly available. \url{https://github.com/EmorZz1G/PatchAD}

arxiv情報

提供元, 利用サービス

arxiv.jp, Google