09:57arXiv cs.LG@Yunhua Pei, Zixing Song, Jin Zheng, John Cartlidge多变量时间序列异常检测面临变量间动态依赖、频谱噪声特征纠缠以及缺乏标签等挑战。现有方法要么过度恢复异常,要么假设关系结构静止不变,在真实系统结构漂移时失效。ContrastAD 提出将结构演化本身作为学习信号,通过多视角编码器、频率感知注意力混合器和动态图对比学习器,构建基于幂律分布的稀疏图快照,对比最发散对与稳定锚点,实现软正则化。在五个基准数据集上,ContrastAD 均取得最高平均 F1 分数,并在 SWaT、SMD 和 PSM 上取得最高 AUC,验证了非平稳动态下严格不变性并非最优。论文时序异常检测图对比学习无监督学习ContrastAD多变量时间序列推荐理由:做时序异常检测的团队终于有了一个能应对真实系统结构漂移的无监督方案——ContrastAD 用动态图对比代替硬性不变性,在五个数据集上 F1 全部领先,做运维监控或工业异常检测的值得关注。原文