.png){kind=icon}
返回
MAFCD: Multi-level and adaptive conditional diffusion model for anomaly detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2025.102965.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在真实世界的物联网（IoT）系统中，各种互联网连接的传感设备，从化学处理设备到物料搬运机械和服务器设备，通常通过多变量时间序列进行监控。在这些系统中的异常检测对于识别潜在的危险或不安全条件以及实施及时的预防措施至关重要。然而，多变量时间序列固有的复杂上下文依赖关系和多样化模式，例如工业过程中的季节性波动和趋势，给现有异常检测方法带来了显著挑战，这些方法需要在多变量时间序列分析中平衡保真度和多样性。为解决这些问题，提出了一种新颖的多级自适应条件扩散模型（MAFCD），用于跨各种工业设备的异常检测。MAFCD的架构建立在条件扩散模型框架之上，通过自适应融合策略和多级特征信息，确保生成多个时间序列样本的高保真度和多样性。具体而言，该模型通过动态调整多特征融合权重来提供实时异常发生情况。此外，为增强模型稳定性，异常识别结果通过多步采样，使用指数和符号集成函数进行加权聚合。在四个公开数据集上的实证评估及其在环氧乙烷生产过程中的应用，证明了所提出的MAFCD的优越性能和实用价值，突显了其强大的泛化能力。
Keyword:
Multi-level feature
Adaptive feature fusion
Conditional diffusion model
Multi-step sampling ensemble
期刊
IF:
15.5
论文数:
4.2K
被引数:
2.7W
机构
引用论文
GRELEN: Multivariate Time Series Anomaly Detection from the Perspective of Graph Relational Learning
OAAI
OAAI分享收藏USAD.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏Imputation-based Time-Series Anomaly Detection with Conditional Weight-Incremental Diffusion Models
PREAI
分享收藏
查看更多内容