萊蕪百度網(wǎng)站制作,做網(wǎng)站如何挑選服務(wù)器,wordpress短代碼按鈕,個(gè)人博客登錄首頁(yè)論文標(biāo)題#xff1a;CATCH: Channel-Aware multivariate Time Series Anomaly Detection via Frequency Patching論文鏈接#xff1a;https://arxiv.org/abs/2410.12261研究背景#xff1a;當(dāng)多維時(shí)間序列“出問題”時(shí)在工業(yè)設(shè)備、網(wǎng)絡(luò)安全、金融風(fēng)控、醫(yī)療監(jiān)測(cè)等場(chǎng)景中CATCH: Channel-Aware multivariate Time Series Anomaly Detection via Frequency Patching論文鏈接https://arxiv.org/abs/2410.12261研究背景當(dāng)多維時(shí)間序列“出問題”時(shí)在工業(yè)設(shè)備、網(wǎng)絡(luò)安全、金融風(fēng)控、醫(yī)療監(jiān)測(cè)等場(chǎng)景中我們常常需要實(shí)時(shí)監(jiān)測(cè)大量傳感器數(shù)據(jù)也就是多維時(shí)間序列。一般來說多維時(shí)間序列中異常分兩類一類是點(diǎn)異常數(shù)值突然偏離比如溫度瞬間飆升。另一類是子序列異常它看起來正常但變化模式悄悄發(fā)生了偏移比如機(jī)器振動(dòng)的周期在悄悄變短。傳統(tǒng)方法大多在時(shí)間域上直接分析信號(hào)擅長(zhǎng)發(fā)現(xiàn)突變但容易忽略復(fù)雜的形狀變化。于是研究者想到進(jìn)入頻率域因?yàn)轭l率能揭示隱藏的周期、趨勢(shì)和節(jié)奏。然而現(xiàn)有的頻域方法往往“看得太粗”只盯著低頻信號(hào)忽略了高頻細(xì)節(jié)。特別是在多維數(shù)據(jù)中各通道之間的關(guān)系還會(huì)隨頻率變化怎么同時(shí)捕捉細(xì)節(jié)頻率、動(dòng)態(tài)通道關(guān)系是一個(gè)讓研究者頭疼已久的問題。所以問題的關(guān)鍵在于 如何在頻率域捕捉更精細(xì)的特征同時(shí)靈活地理解通道之間的動(dòng)態(tài)關(guān)系用“拼圖”方式看頻率用“選擇性注意力”理解通道作者提出了一個(gè)叫 CATCH 的框架全稱“通道感知的多維時(shí)間序列異常檢測(cè)”核心想法很巧妙主要體現(xiàn)在三個(gè)方面首先是頻率域patchFrequency Patching作者不是整體處理頻譜而是把它拆分成多個(gè)小頻帶像拼圖一樣。這樣模型能細(xì)致地捕捉不同頻段的變化——比如季節(jié)性異常主要在低頻而形狀異常可能在中高頻。其次是通道感知融合Channel Fusion Module, CFM不同頻段里各個(gè)通道比如不同傳感器之間的關(guān)系也不同。CATCH 設(shè)計(jì)了一個(gè)“可學(xué)習(xí)的遮罩”用來判斷哪些通道應(yīng)該被關(guān)注、哪些應(yīng)被忽略。它既不像“所有通道一起算”那樣容易被噪聲干擾也不像“每個(gè)通道單獨(dú)算”那樣忽視整體關(guān)系。最后是雙層優(yōu)化Bi-level Optimization模型一邊學(xué)習(xí)如何重建正常序列一邊優(yōu)化通道關(guān)聯(lián)的“遮罩”。這就像一個(gè)不斷自我修正的過程模型先根據(jù)當(dāng)前關(guān)聯(lián)做判斷再反過來調(diào)整這些關(guān)聯(lián)形成一個(gè)循環(huán)優(yōu)化的機(jī)制。模型方法三大模塊協(xié)同工作前向模塊Forward Module把時(shí)間序列轉(zhuǎn)到頻率域并劃分為多個(gè)“頻率塊”通道融合模塊CFM在每個(gè)頻率塊中通過“遮罩注意力”機(jī)制自動(dòng)發(fā)現(xiàn)并利用通道間的相關(guān)性時(shí)頻重建模塊TFRM通過反向傅里葉變換把頻域重建結(jié)果還原到時(shí)間域并根據(jù)重建誤差判斷是否異常。最后CATCH 綜合時(shí)間域和頻率域兩種誤差形成最終的異常分?jǐn)?shù)既能發(fā)現(xiàn)突發(fā)點(diǎn)異常也能識(shí)別緩慢演化的子序列異常。實(shí)驗(yàn)結(jié)果作者在11個(gè)真實(shí)數(shù)據(jù)集和12個(gè)合成數(shù)據(jù)集上測(cè)試覆蓋了金融、網(wǎng)絡(luò)、工業(yè)、醫(yī)療等不同領(lǐng)域。結(jié)果顯示CATCH 在所有指標(biāo)上都取得了 SOTA最優(yōu)性能尤其在檢測(cè)復(fù)雜的趨勢(shì)型、周期型、形狀型異常時(shí)比前一代模型提升顯著消融實(shí)驗(yàn)驗(yàn)證了每個(gè)模塊的有效性無論是去掉頻率補(bǔ)丁、遮罩優(yōu)化還是雙層訓(xùn)練性能都會(huì)下降。此外CATCH 的可解釋性也不錯(cuò)。研究者可通過頻率-時(shí)間得分圖清晰地看到模型在不同異常類型上的響應(yīng)模式。大家可以關(guān)注我【科學(xué)最top】第一時(shí)間follow時(shí)序高水平論文解讀獲取時(shí)序論文合集