【论文阅读】TranAD: Deep Transformer Networks for Anomaly Detection inMultivariate Time Series Data

 TranAD架构

模型构建：

 = { 1, . . . , },表示一个大小为T的带有时间戳的数据点序列，其中， 满足特定的时间戳 和 t∈ R ，单变量设置是其中 = 1的特殊情况。

异常检测：

给定一个训练输入时间序列，对于长度为的任意时间的测试时间序列，并且与训练序列的模态相同的作为训练序列，我们需要预测Y = { 1，.， }，其中 t ∈ {0，1} 表示测试集下第t个时间戳的数据点是否异常 (1表示异常数据点)。

异常诊断:

基于上述训练和测试时间序列，我们需要预测Y = { 1，.， }

 数据预处理：

时序数据分析：long-term trends、locality(short-term trends)

对数据进行了标准化，并将其转换为时间序列窗口以进行训练和测试。（lstm）

令滑动窗口长度为K，将输入的时间序列转换为滑动窗口的序列W = { 1，.，}，不足则追加常数向量补全序列W。

不使用T作为训练输入，而是使用W和(对应于) 作为测试序列。

我们首先预测该窗口的异常分数 ，而不是直接预测每个输入窗口的异常标签 。使用过去输入窗口的异常得分，我们计算一个阈值 ，在该阈值上，我们将输入窗口标记为异常，即 = 1( ≥ )。为了计算异常得分 ，我们将输入窗口重构为 ，并使用 和 之间的偏差。我们使用 ，， 和 进行讨论。

Focusing on deviation between ground truth and reconstruction

Transformers 模型和Offline Two-Phase Adversarial Training（离线两阶段对抗性训练模型）

Transformers 模型

给窗口封装上下文

两阶段对抗模型

​​​​​​​

利用二范数计算两个解码器的重构误差：

对抗训练过程中，Decoder1目标为让误差min，Decoder2目标为让误差max（此处存疑，Decoder2的应该与O接近，即接近原始数据W，这里maxDecoder2原文解释为：1、第二解码器旨在通过最大化差异||-W||2来区分输入窗口和由Decoder1在阶段1 (使用Focus分数) 中生成的候选重构。2、第一解码器旨在通过完美地重构输入 (即， 1 = ) 来创建的Focus分数 ( 1 = 时为零向量) 来欺骗第二解码器。这推动解码器2在该阶段产生与 2相同的输出，该输出旨在匹配阶段1中的输入。） 

 计算每个解码器的累积损失。本文使用一个进化损失函数，该函数结合了来自两个阶段的重建和对抗损失函数， 为训练时期， 为接近1的训练参数

异常分值的定义如下:

 

得到每个维度的时间戳的异常分值后，如果这个分值s大于阈值，我们就会标记出时间戳异常。

运行结果:

实验：

窗口大小 = 10

transform编码器中的层数 = 1

编码器的前馈单元中的层数 = 2 

编码器层中的隐藏单元 = 64 

编码器中的Dropout = 0.1

将TranAD运用在以上数据集上

 ​​​​​​​

训练时间比较，单位/s