USAD 解读

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) Method

Phase 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 training

AE1：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