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

要約

異常検出は時系列分析の重要な側面として機能し、時系列サンプル内の異常なイベントを特定することを目的としています。
このタスクの中心的な課題は、ラベルのないシナリオで正常および異常なパターンの表現を効果的に学習することにあります。
これまでの研究は主に再構成ベースのアプローチに依存しており、モデルの表現能力が制限されていました。
さらに、現在の深層学習ベースの手法のほとんどは十分に軽量ではないため、異常検出のためのより効率的なフレームワークを設計する必要があります。
この研究では、表現抽出と異常検出に対照学習を活用する新しいマルチスケール 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。
具体的には、PatchAD は 4 つの異なる MLP ミキサーで構成されており、MLP アーキテクチャのみを利用して高効率かつ軽量のアーキテクチャを実現しています。
さらに、潜在的なモデルの劣化を軽減するために、デュアル プロジェクト制約モジュールも革新的に作成しました。
包括的な実験により、PatchAD が複数の実世界の多変量時系列データセットにわたって最先端の結果を達成できることが実証されています。
私たちのコードは https://github.com/EmorZz1G/PatchAD で公開されています

要約(オリジナル)

Anomaly detection stands as a crucial aspect of time series analysis, aiming to identify abnormal events in time series samples. The central challenge of this task lies in effectively learning the representations of normal and abnormal patterns in a label-lacking scenario. Previous research mostly relied on reconstruction-based approaches, restricting the representational abilities of the models. In addition, most of the current deep learning-based methods are not lightweight enough, which prompts us to design a more efficient framework for anomaly detection. In this study, we introduce PatchAD, a novel multi-scale patch-based MLP-Mixer architecture that leverages contrastive learning for representational extraction and anomaly detection. Specifically, PatchAD is composed of four distinct MLP Mixers, exclusively utilizing the MLP architecture for high efficiency and lightweight architecture. Additionally, we also innovatively crafted a dual project constraint module to mitigate potential model degradation. Comprehensive experiments demonstrate that PatchAD achieves state-of-the-art results across multiple real-world multivariate time series datasets. Our code is publicly available https://github.com/EmorZz1G/PatchAD

arxiv情報

提供元, 利用サービス

arxiv.jp, Google