Time Series Anomaly Detection with Multiresolution Ensemble Decoding(AAAI2021)

循环自编码器是一种常用的时间序列异常检测模型，它利用异常点或异常段的高重建误差来识别异常点或异常段。然而，现有的循环式自动编码器由于序贯解码，容易出现过拟合和错误累积的问题。在本文中，我们提出了一种简单而有效的循环网络集成，称为多分辨率集成译码循环自编码器(RAMED)。通过使用不同译码长度的译码器和一种新的粗到细融合机制，较低分辨率的信息可以帮助译码器实现高分辨率输出的长距离译码。进一步引入多分辨率形状强迫损失，以鼓励解码器在多个分辨率下输出匹配输入的全局时间形状。最后，利用分辨率最高的解码器的输出，在每个时间步得到一个异常分数。对真实世界基准数据集的大量实证研究表明，提出的RAMED模型在时间序列异常检测方面优于近期的强基线。(基于多粒度集合解码器的循环自编码器)

背景：

1）这些方法在很大程度上取决于模型的外推能力 

2）基于重建的方法学习数据压缩表示，然后用它来重建时间序列。不能很好地重构被认为是异常值的点或段

3）RAE及其变体在解码长时间序列时可能会遇到困难，因为之前的时间步骤会产生错误积累。

Proposed Architecture 

 

 在本文中，我们利用多分辨率的时间信息，通过集成一个粗到细解码过程。

Multiresolution Ensemble Decoding

在最低分辨率层，捕捉时间序列的宏观时间特征。然后将其传递到下一层(具有更高的解码分辨率)，依此类推。multiple reconstructions are obtained by running L(D) recurrent decoders on the compressed representation h(E)

为了鼓励不同的解码器在不同的分辨率下捕捉时间序列的时间行为，我们对解码器使用不同的解码步骤数。短译码长度的译码器必须关注宏时间特性;而具有较长的解码长度的解码器可以捕获更详细的局部时间模式。采用一种多分辨率融合策略，以粗到细的方式有效地融合解码器输出

Decoder Lengths 

 

Coarse-to-Fine Fusion 

我们提出了一个简单而有效的粗到细的多分辨率策略来融合粗粒度解码器和细粒度解码器。 

 

 Anomaly Score and Detection

 

 

 

 实验

 总结：论文中提出的多粒度递归解码器是一种新颖的结构