AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：多变量时间序列×
6月16日
20:46
6月12日
13:48
13:48arXiv cs.LG@William Smits
CRAFTIIF 提出了一种完全无监督的多变量时间序列异常检测框架，能同时处理点异常、分布异常、时间异常和集体异常四种结构类型，无需针对数据集调参。它通过 500 个随机解析小波特征（Morlet、DOG、Haar、Coiflet 四族）分别喂给五个隔离森林（每类一个加一个元森林），并利用自适应 Otsu/MAD 阈值自动校准。在 mTSBench 基准的 19 个数据集上，CRAFTIIF 平均 F1=0.228，VUS-PR 达 0.463，比此前最佳方法提升 40.7%。消融实验表明自适应阈值、四分支结构和元森林分别贡献了 +38%、+20% 和 +23% 的 F1 提升。代码已开源。
论文异常检测多变量时间序列隔离森林小波特征无监督学习
推荐理由：CRAFTIIF 解决了多变量时间序列异常检测中四种异常类型难以统一检测的痛点，做运维监控、工业故障诊断或金融风控的团队可以直接用这个无监督框架，无需手动调参就能获得可解释的异常类型归属。
原文
12:57
6月11日
15:28
15:23
15:07
5月25日
09:57
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