基于多尺度表示对比学习的多变量时间序列异常检测方法

《Scientific Reports》：Multi-scale representation contrastive learning for multivariate time-series anomaly detection

　　

摘要

近年来，多变量时间序列异常检测因其在实际应用中的广泛相关性而受到越来越多的关注。然而，在大规模时间序列中准确识别异常仍然具有挑战性。许多现有方法将时间序列划分为多个片段以建模时序信息，但单一尺度的片段划分无法同时捕获多个粒度上的复杂动态特征。此外，多变量时间序列在不同传感器通道之间通常表现出强耦合和复杂交互，导致异常可能跨通道传播并破坏依赖结构。为应对这些挑战，我们提出了一种基于多尺度表示对比学习（MsRCL）的多变量时间序列异常检测方法。具体而言，MsRCL 执行多尺度片段分解，并从两个视图——多尺度片内和多尺度片间——学习互补表示，以捕获不同时间尺度下的局部动态特征、跨片段依赖关系以及趋势和周期性等时序模式。此外，我们设计了一种通道感知注意力机制，该机制能够强化显著通道相关性并抑制弱相关噪声，从而实现跨通道依赖结构的自适应建模，并改善对跨通道耦合异常的表现能力。在五个真实世界多变量时间序列数据集上的实验表明，MsRCL 相较于主流替代方法取得了有效的性能提升。