基于对偶对抗学习的多维时间序列异常检测

摘要

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，要求模型能够快速准确地发现异常数据。VAE类深度神经网络模型能在数据压缩和恢复中学习数据的特征，但由于训练过程中缺乏对抗性，无法更好地区分正常数据和异常数据特征，导致模型训练困难。针对该问题，本文提出一种基于对偶对抗思想的改进多维时间序列异常检测方法。首先利用滑动窗口将数据集划分为合适的长度的序列，使用正常序列数据训练模型。继而利用对偶结构加强两组编码器解码器之间的对抗性，以更好地学习正常数据特征，减少训练难度。最后，将含有异常数据的待测数据放入训练好的模型，根据待测序列在模型中的异常得分，结合阈值技术进行异常判定，并从待测数据中获得异常序列片段，计算评价指标。实验表明，本文方法Dual-AE具有模型容易训练且稳定性强的特点，并且相对于USAD方法，在水文数据集SWa T上F1分数提升了0.01，召回率提升了0.01，在WADI数据集上F1分数提升了0.09，召回率提升了0.02。异常检测性能指标上，比现有的生成式异常检测模型有明显提升。

关键词

多维时间序列 / 编码器-解码器 / 对偶对抗学习 / 异常检测