异常数据检测 | Python实现Anomaly-Transformer时间序列异常数据检测

文章目录

      • 文章概述
      • 研究内容
      • 程序设计
      • 参考资料


文章概述

Anomaly-Transforme处理关联差异的时间序列异常检测
时间序列中异常点的无监督检测是一个具有挑战性的问题,它需要模型学习信息表示并得出可区分的标准。

研究内容

在深度网络上,异常检测的研究主要在:

● 学习时序数据点级别的表征,进而依靠重建或预测误差进行判定,例如RNN;

● 通过图来显式关联建模,将具有不同时间点的时间序列表示为顶点,并通过随机游走检测异常。例如GNN。

但上面两种方式分别有以下缺点:

● pointwise表征信息量较少,并且可能被正常模式主导,使得异常点难以区分。

● 学习到的图仍然仅限于单个时间点,这对于复杂的时间模式是不够的,无法捕捉每个时间点与整个时间序列的关联。

异常数据检测 | Python实现Anomaly-Transformer时间序列异常数据检测_第1张图片
Anomaly-Attention内有两个关联(可以把它理解成点与时序的关联分布,前者是先验假设,后者是模型自学的经验分布):

你可能感兴趣的:(异常数据检测,transformer,深度学习)