STAD: Joint Spatial-Temporal Dimension and Channel Correlation for Time Series Anomaly Detection

ICASSP 2025 - 2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)

原文：免费下载

摘要：准确识别复杂多维时间序列数据中的真实异常和假异常一直是时间序列异常检测中的难题。为了解决这个问题，本文提出了一个新的框架 STAD，它结合了时间和空间维度。该框架指导模型捕获通道之间的关联信息，并通过挖掘时空维度的潜在信息来学习序列的深层特征表示。它可以通过比较空间和时间维度的信息来有效地区分真假异常。STAD 通过使用关联聚合机制来连接多个通道并检测异常，从而识别和集成相关通道。此外，本文设计的 KAN 混合器可以有效地提取时空维度上不同空间位置的特征。通过对多个公共数据集的广泛实验，STAD 证明了它在准确性和稳健性方面的优势。

动机

1. 目前的方法主要根据通道依赖性 [9]-[11] 和通道独立性 [12]-[14] 分为两种类型的策略。–> 这两种方法很难同时应对当前的挑战。我们假设当一个通道中发生异常时，其高相关性通道也会受到影响，而伪异常往往只影响单个通道，因此对其高相关通道的影响较小。 Therefore, it is difficult for these two methods to simultaneously address the current challenge. We assume that when an anomaly occurs in a channel, its highe