DCdetector 解读

出处：2023 KDD

论文链接：https://arxiv.org/abs/2306.10347

代码链接：https://github.com/DAMO-DI-ML/KDD2023-DCDetector

一  提出动机

  采用 “对比表征学习”，杜绝 “重建 ” 导致难以检测 “段异常” 的弊端，前两种方法均包含 “重建”

  贡献：

  1. 提出了基于双重注意力的对比学习结构（dual-branch attention)【通道独立，多尺度】

  2. 训练只需 “对比表征”（非传统），无需重构误差

二  Methodology

1. 整体架构

 2. 预处理

3. 表征对比学习框架（Dual Attention Contrastive Structure）

 1. 求 query 与 key：

2.  计算注意力权重：

 3. 多头（H）注意力拼接：

 上采样：（便于后续的 “表征比较”，恢复成一样形状的时间序列数据）

重复上采样操作不可避免地导致信息丢失。为更好保留原始数据信息，引入“多尺度”设计：

多尺度：设置不同大小的 patch，重复操作，最终求和

4. 表征比较 + 异常检测

损失函数（KL散度）：

异常检测： 

三  实验结果

针对 “段模式” 异常，本方法相较于 "AnomalyTrans"，异常分数设置更为合理：