基于多模态一致性正则的无监督时间序列异常检测.pdf

基于多模态一致性正则的无监督时间序列异常检测

摘要

时间序列异常检测致力于从一系列连续观测值中识别出不符合正常模式的

数据点。尽管以往的无监督时间序列异常检测方法同时使用时域和频域数据作

为模型输入以更全面地利用时间序列特征，但这些方法未能实现对于时频模态

异常行为的深入理解，从而限制了它们在识别时间序列复杂异常模式方面的能

力；同时，这些方法忽略了输入数据中由时频转换产生的噪声分布，可能导致

模型过度拟合噪声而非真实特征，进而影响异常判断的准确性。为此，本文基

于模态一致性建模方法，提出了基于多模态一致性正则的无监督时间序列异常

检测模型。

为了实现对于时域和频域数据在特征空间分布状态的约束，并充分挖掘时

频模态间的互补性信息，本文提出了模态一致性建模方法（ModalConsistency

ModelingMethod，MCM）。该方法从时频模态互补性信息和分布状态两个方面

进行考虑。首先实现了对时频模态细粒度互补信息的学习，同时增强了模型的

抗扰动能力。其次实现了时频特征分布的平滑对齐，降低了模型对于时频转换

过程中产生噪声分布的敏感度。

为了识别时间序列复杂异常模式以及降低时频转换过程产生的噪声分布对

模型的干扰，本文设计了基于多模态一致性正则的无监督时间序列异常检测

（UnsupervisedTimeSeriesAnomalyDetectionBasedonMultimodalConsistency

Regularization，MCRAD）模型。在降低了模型对噪声分布的敏感性的前提下，

通过充分拟合正常数据分布，模型能更准确地识别出与正常数据分布显著不同

的异常模式。对时频模态细粒度互补信息的学习使模型实现对于时频特征的更

为全面的捕捉，从而能够深入理解时频模态的异常行为，提高对时间序列中的

复杂异常行为的检测的鲁棒性。

最后在UCR数据集中的6个真实子数据集上进行了实验。实验结果表明，

与7个基准时间序列异常检测方法相比，MCRAD模型通过深入挖掘时频模态

细粒度互补信息以及降低对于噪声分布的敏感性，有效地提升了异常检测性能。

关键词异常检测；时间序列；多模态；一致性正则；分布对齐

-I-

UnsupervisedTimeSeriesAnomalyDetectionBased

onMultimodalConsistencyRegularization

Abstract

Timeseriesanomalydetectionstrivestoidentifydatapointsfromaseriesof

consecutiveobservationsthatdonotconformtonormalpatterns.Althoughprevious

unsupervisedtime-seriesanomalydetectionmethodsusebothtime-andfrequency-

domaindataasmodelinputstomorecomprehensivelyutilizetime-seriesfeatures,

thesemethodsfailtoachievein-depthunderstandingoftheanomalousbehaviorof

time-frequencymodes,whichlimitstheirabilitytoidentifycomplexanomalous

patternsofthetimeseries;atthesametime,thesemethodsignorethedistributionof

thenoiseintheinputdataresultingfromtime-frequencytransitions,whichmaycause

themodeltoover-fitthenoiseinsteadoftherealfeatures,