18、时间卷积网络与Transformer在异常检测中的应用

时间卷积网络与Transformer在异常检测中的应用

1. 无监督异常检测与ED - TCN模型

无监督异常检测是一种重要的数据分析方法，它不需要标注数据来识别异常。在一个示例中，我们选取原始序列的一个子集，使用滚动窗口训练模型进行预测，并计算一个阈值来识别异常，整个过程无需训练标签。

接下来，我们将介绍编码器 - 解码器时间卷积网络（ED - TCN），它结合了时间卷积网络（TCN）和自编码器的概念，用于无监督异常检测。

1.1 ED - TCN模型结构

ED - TCN模型的编码和解码阶段都由因果卷积层组成，确保层与层之间的因果关系。下面详细介绍其编码阶段：
- 输入层 ：从最底层的输入层开始，对输入进行因果卷积，作为第一个卷积层（conv_1）的操作。
- 最大池化层 ：conv_1的输出作为第一个最大池化层（pool_1）的输入。最大池化层强调其经过区域的最大值，通过选择最大值来概括输入。
- 后续卷积和池化 ：接着进行另一组因果卷积和最大池化操作（conv_2和pool_2）。在编码阶段，数据的尺寸逐渐减小，这是自编码器的一个典型特征。
- 密集层 ：编码阶段的最后是一个密集层，它既是编码阶段的最终输出，也是解码阶段的输入。

在解码阶段，每个上采样层都连接到一个一维卷积层，上采样层和一维卷积层的组合会重复多次，直到最终输出通过softmax()函数得到预测结果。

1.2 使用ED - TCN进行异常检测