DConAD: A Differencing-based Contrastive Representation Learning Framework for Time Series Anomaly Detection

要約

時系列異常検知は、様々な応用領域におけるリスク識別や障害検知のために重要である。教師なし学習法は、ラベルを必要としないため、広く普及している。しかしながら、異常パターンの多様性、異常の疎らさ、データの大規模化と複雑化によってもたらされる課題により、これらの手法は、異常を識別するためのロバストで代表的な時系列内の依存関係を捕捉できないことが多い。時系列の正常パターンを捉えるモデルの能力を向上させ、高品質な事前知識への依存によって引き起こされるモデリング能力の後退を回避するために、我々は時系列異常検出のための差分ベースの対照表現学習フレームワーク（DConAD）を提案する。具体的には、DConADは時系列に関する付加的な情報を提供するために差分データを生成し、時空間依存性を捕捉するために変換器ベースのアーキテクチャを利用する。さらに、DConADは、再構成からの乖離を避けるために正のサンプルのみを使用し、収束を強制するために停止勾配戦略を展開する、新しいKLダイバージェンスに基づく対比学習パラダイムを実装する。5つの公開データセットを用いた広範な実験により、9つのベースラインと比較したDConADの優位性と有効性が示されている。コードはhttps://github.com/shaieesss/DConAD。

要約(オリジナル)

Time series anomaly detection holds notable importance for risk identification and fault detection across diverse application domains. Unsupervised learning methods have become popular because they have no requirement for labels. However, due to the challenges posed by the multiplicity of abnormal patterns, the sparsity of anomalies, and the growth of data scale and complexity, these methods often fail to capture robust and representative dependencies within the time series for identifying anomalies. To enhance the ability of models to capture normal patterns of time series and avoid the retrogression of modeling ability triggered by the dependencies on high-quality prior knowledge, we propose a differencing-based contrastive representation learning framework for time series anomaly detection (DConAD). Specifically, DConAD generates differential data to provide additional information about time series and utilizes transformer-based architecture to capture spatiotemporal dependencies, which enhances the robustness of unbiased representation learning ability. Furthermore, DConAD implements a novel KL divergence-based contrastive learning paradigm that only uses positive samples to avoid deviation from reconstruction and deploys the stop-gradient strategy to compel convergence. Extensive experiments on five public datasets show the superiority and effectiveness of DConAD compared with nine baselines. The code is available at https://github.com/shaieesss/DConAD.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL