摘要
异常检测，又称为离群点检测，是找出行为与预期行为差异较大的对象的检测过程，而时间序列异常检测旨在发现对应时序特征中不符合一般规律的特异性模式，是机器学习领域重要的研究方向。然而，现有的时序异常检测方法大多为单模态学习，忽略了时序信息在多模态空间上不同特征分布的关联性和互补性，不能充分利用时序数据进行有效的模式挖掘，从而造成检测效果差等问题。基于这些传统方法的缺陷，本文提出了一种多模态自适应时间序列异常检测算法。 为了利用时间序列在时域和频域空间上的特征关联性和信息互补性进行特征表示学习，本文设计了一种多模态对抗学习自适应特征表示框架(multimodal adaptive time series feature representation GAN，MATGAN)，通过多模态方法挖掘时间序列在不同特征空间的深层次关联，并通过多模态自适应编码模块(multimodal adaptive time series encoding framework，MATE)针对不同特征维度的时序信息自适应最佳的网络结构，避免了手动设置网络参数的局限。最后通过生成对抗网络(generative adversarial network，GAN)联合学习时间序列在时域和频域两个特征空间上的分布，进行多模态的特征表示学习。 提出多模态对抗学习自适应时间序列异常检测算法。该算法是一种基于重构误差的异常检测方法，它可以利用多模态特征表示框架优异的特征表示和重构能力从两个模态空间度量特征的异常模式，从而获得相对于传统方法更优异的异常检测性能。 在时间序列数据集合UCR和MIT-BIH中的6个真实数据集的实验结果表明，MATGAN算法在异常检测任务上的性能相较于传统单模态异常检测方法，在AUC和AP两个异常检测性能指标上最高分别提升了10.21％和15.87％，证明了本文方法的有效性。
NETL