.png){kind=icon}
返回
Moon: A Modality Conversion-Based Efficient Multivariate Time Series Anomaly Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2025.3622154.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（MTS）异常检测旨在识别异常模式，其中每个时间戳包含多个变量。现有的MTS异常检测方法可分为三类：基于重建的方法、基于预测的方法和基于分类器的方法。然而，这些方法面临三个关键挑战：（1）无监督学习方法，如基于重建和基于预测的方法，依赖于误差阈值，可能导致准确性问题；（2）半监督方法主要建模正常数据，并且往往未能充分利用异常标签，限制了微弱异常的检测；（3）监督学习方法，如基于分类器的方法，通常难以捕捉局部关系，计算成本高，且受限于标注数据的稀缺。为解决这些局限性，我们提出了Moon，一种基于监督模态转换的多变量时间序列异常检测框架。Moon在提高异常检测效率与准确性的同时，提供详细的异常分析报告。首先，Moon引入了一种新颖的多变量马尔可夫转移场（MV-MTF）技术，将数值时间序列数据转换为图像表示，捕捉变量与时间戳之间的关系。由于数值数据保留有图像转换无法完全捕捉的独特模式，Moon采用多模态CNN通过参数共享的特征融合模型整合数值与图像数据，提升训练效率。最后，基于SHAP的异常解释器识别导致异常的关键变量，增强可解释性。在六个真实世界MTS数据集上的广泛实验表明，Moon在效率上比六个最先进的方法最高提升93%，在准确性上提升4%，在可解释性性能上提升10.8%。
Keyword:
Anomaly detection
interpretable system
multivariate time series
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
ROCKET: exceptionally fast and accurate time series classification using random convolutional kernels火箭: 使用随机卷积核的异常快速和准确的时间序列分类
OAAI
OAAI分享收藏A deep learning framework for time series classification using Relative Position Matrix and Convolutional Neural Network.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏分享收藏Anomaly Detection of High-Frequency Sensing Data in Transportation Infrastructure Monitoring System Based on Fine-Tuned Model基于微调模型的交通基础设施监测系统高频感知数据异常检测IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏
USADProceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容