.png){kind=icon}
返回
EnsDiffAD: Ensemble Diffusion Models for Multivariate Time Series Anomaly Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/tkde.2026.3708334.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多变量时间序列异常检测（MTSAD）在众多研究领域和应用中至关重要。然而，在多变量时间序列（MTS）中实现准确的异常检测存在若干挑战。首先，现有MTSAD方法主要强调建模长短时态依赖关系，而忽略了变量间复杂且强相关的依赖关系，这限制了检测精度。其次，外部因素导致的分布偏移进一步阻碍了单一模型对演变模式的泛化能力，可能错失细微异常并损害检测鲁棒性。为解决这些问题，我们提出EnsDiffAD框架，利用改进扩散模型的集成。该框架的关键组件是TiT-Diffusion去噪架构，旨在建模时态和变量间依赖关系的交织但可分离的特性。与直接组合现有模型不同，TiT-Diffusion将这些方面解耦为互补模块：时态Transformer捕捉长短期时态模式，而变量间iTransformer建模全局跨变量相关性。这种分解缓解了表示冲突，促进了更具表现力和解耦的特征学习。此外，我们通过新型损失函数增强动态和不确定性建模，并在训练期间集成多个TiT-Diffusion模型。在五个真实数据集上的实验证明了EnsDiffAD的优越性。
Keyword:
Anomaly detection
Multivariate time series
Deep learning
Ensemble learning
Generative Networks
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
Ensemble deep learning techniques for time series analysis: a comprehensive review, applications, open issues, challenges, and future directions时间序列分析的集成深度学习技术: 综合回顾、应用、未决问题、挑战和未来方向
PREAI
分享收藏DCdetector: Dual Attention Contrastive Representation Learning for Time Series Anomaly Detection
OAAI
OAAI分享收藏分享收藏分享收藏An empirical investigation of missing data handling in cloud node failure prediction云节点故障预测中缺失数据处理的经验研究
PREAI
分享收藏
查看更多内容