.png){kind=icon}
返回
Explainable multivariate time series anomaly detection by feature graph structure learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ins.2025.122789.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
异常检测是数据挖掘中的一个关键任务，近年来已受到广泛关注。传统方法在处理多元时间序列数据时常常面临挑战，而基于深度学习的方法通常存在负样本不足和可解释性有限等问题。为解决这些局限性，本文引入了一种基于新型特征图结构学习的异常检测（FGEAD）模型，用于多元时间序列异常检测。所提出的模型利用自注意力机制捕获变量间的全局依赖关系，构建信息丰富的特征图结构，随后通过图注意力网络进行异常识别。在六个基准数据集（NSL_KDD、UNSW-NB15、SWaT、MSL、SMAP和WADI）上的大量实验表明，基于自注意力的图学习显著优于余弦相似度，F1分数最高提升6.29%，AUC提升5.19%。此外，为展示实际应用性，我们在来自烟草烤房车间的真实工业数据集上开展了一项案例研究。FGEAD相较于几种基线方法实现了最高的准确率（0.998）和F1分数（0.928）。该案例研究证实了FGEAD在实际工业场景中的有效性和鲁棒性。
Keyword:
Graph structure learning
Graph neural network
Interpretability
Self-attention mechanism
Anomaly detection
期刊
IF:
6.8
论文数:
553
被引数:
6.2W
机构
引用论文
Reconstruction-based anomaly detection for multivariate time series using contrastive generative adversarial networks基于对比生成对抗网络的多变量时间序列重构异常检测
PREAI
分享收藏ExplainableDetector: exploring transformer-based language modeling approach for SMS spam detection with explainability analysis可解释检测器：探索基于Transformer的语言建模方法用于短信垃圾信息检测与可解释性分析
OAAI
OAAI分享收藏A filter-augmented auto-encoder with learnable normalization for robust multivariate time series anomaly detection.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏TiTAD: Time-Invariant Transformer for Multivariate Time Series Anomaly DetectionTiTAD：用于多变量时间序列异常检测的时间不变TransformerELECTRONICS
OAAI
ELECTRONICSIF2.6
OAAI分享收藏分享收藏分享收藏Yang, X.; Li, H.; Huang, X.; Feng, X. FEDAF: Frequency enhanced decomposed attention free transformer for long time series forecasting. Neural Comput. Appl. 2024, 36, 16271–16288. [Google Scholar] [CrossRef]Yang, X.; Li, H.; Huang, X.; Feng, X. FEDAF: 用于长时间序列预测的频率增强分解注意力自由变换器. Neural Comput. Appl. 2024, 36, 16271–16288. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容