USAD 解读

如有侵权或其他问题欢迎留言联系更正或删除。出处KDD 2020链接https://dl.acm.org/doi/pdf/10.1145/3394486.3403392代码链接https://github.com/manigalati/usad(一) 批判、动机、贡献基于距离、基于聚类、One-Class SVM 等方法因维度诅咒这类技术通常遭受次优性能影响递归神经网络 (rnn) 的方法时间代价大GAN等对抗方法 模式崩溃且不收敛mode collapse and non-convergence→ 不健壮、不稳定贡献提出了更快速、稳定的多元时间序列异常检测方法(二) 整体架构(三) MethodPhase 1第一阶段: Autoencoder training各个自编码器AE均进行 “重建” 操作损失函数为Phase 2 第二阶段: Adversarial trainingAE1区分原数据 W 与 AE2 的重建数据最大化 W 与 AE2 输出 间的差异AE2愚弄、欺骗 AE1最小化 W 与 AE2 输出 间的差异目标函数为AE1、AE2 各自损失函数为最终随时间演进随训练epoch轮数变化的综合损失函数如下(四) 实验结果