融合扩散模型的变分自编码器时序异常检测

摘要

为了提高时序异常检测的抗噪能力和泛化性，提出了一种融合扩散模型的变分自编码器异常检测模型，使用Transformer编码器部分和带有编码解码自注意力机制的多尺度时间卷积神经网络（temporal convolutional neural network, TCN）作为变分自编码器的编码器和解码器，利用Transformer的并行性计算和多尺度TCN捕捉长短期时序特征的能力做到快速编码和解码。同时将变分自编码器作为扩散模型的噪声预测模型，结合时间序列重构和扩散反向去噪预测的双框架联合训练策略，提高变分自编码器潜空间采样多样性和模型快速捕捉长短期数据变化模式的能力，从而提高重建泛化性。通过4个公开数据集和1个自建数据集上与基线模型的综合性能评价证明了该模型具有更优的鲁棒性和泛化性，5个数据集上F₁分数较最优基线分别提升了48.63%、5.47%、12.76%、7.18%、4.03%,同时进行了2个版本的消融实验、10个关键超参数敏感性实验和模型复杂度讨论等对模型性能进行了多维验证。

关键词

时序异常检测 / 扩散模型 / 变分自编码器 / Transformer / 多尺度时间卷积网络