利用深度学习进行多变量时间序列异常检测的统一分类方法

《ARTIFICIAL INTELLIGENCE REVIEW》：Unified taxonomy for multivariate time series anomaly detection using deep learning

　　

摘要

近年来，多变量时间序列异常检测（MTSAD）领域发展迅速，相关研究论文数量持续增加，深度学习（DL）模型成为主导范式。为解决该领域缺乏系统化问题的现状，本研究提出了一种新颖的、统一的分类体系，该体系包含十个维度，分为三个部分（输入、输出和模型），用于对基于DL的MTSAD方法进行分类。这些维度的确定采用了双重方法：首先基于对方法论研究的全面分析；其次结合了相关综述论文的见解；最后通过额外的一组最新研究成果对分类体系进行了验证，从而清晰地展现了MTSAD领域的方法论趋势。研究结果表明，该领域正朝着基于Transformer的模型和重构模型的方向发展，为未来出现的自适应和生成式技术奠定了基础。这一统一分类体系建立在现有研究的基础上，并对其进行了补充，旨在适应未来的发展，允许随着领域进步而添加新的类别或维度。因此，这项工作不仅整合了该领域分散的知识，还为MTSAD领域的后续研究提供了参考依据。

近年来，多变量时间序列异常检测（MTSAD）领域发展迅速，相关研究论文数量持续增加，深度学习（DL）模型成为主导范式。为解决该领域缺乏系统化问题的现状，本研究提出了一种新颖的、统一的分类体系，包含十个维度，分为三个部分（输入、输出和模型），用于对基于DL的MTSAD方法进行分类。这些维度的确定采用了双重方法：首先基于对方法论研究的全面分析；其次结合了相关综述论文的见解；最后通过额外的一组最新研究成果对分类体系进行了验证，从而清晰地展现了MTSAD领域的方法论趋势。研究结果表明，该领域正朝着基于Transformer的模型和重构模型的方向发展，为未来出现的自适应和生成式技术奠定了基础。这一统一分类体系建立在现有研究的基础上，并对其进行了补充，旨在适应未来的发展，允许随着领域进步而添加新的类别或维度。因此，这项工作不仅整合了该领域分散的知识，还为MTSAD领域的后续研究提供了参考依据。