基于多模态生成对抗网络的多元时序数据异常检测

摘要：

针对传统多元时序数据异常检测模型未考虑时空数据的多模态分布问题,提出了一种多模态生成对抗网络多元时序数据异常检测模型.利用滑动窗口分割时间序列并构造特征矩阵来捕获数据的多模态特征,将其与原始数据分别作为模态信息输入多模态编码器及多模态生成器中,输出具有时空信息的多模态特征矩阵,并将真实数据编码成特征矩阵,将两类特征矩阵作为判别器输入,利用梯度惩罚方法并拟合真实分布与生成分布之间的Wasserstein距离,取代二分类交叉熵损失训练判别器,结合生成器重构误差及判别器评分实现异常检测.基于安全水处理(SWaT)及水量分布(WADI)等数据集的测试结果表明,所提模型相比基准模型在F1-分数性能指标上分别提升了0.11和0.19,能够较好地识别多元时序数据异常,具有较好的鲁棒性以及泛化能力.

关键词：多元时间序列、异常检测、半监督学习、对抗学习、多模态

所属期刊栏目：50

分类号：TP311.13(计算技术、计算机技术)

资助基金：国家重点研发计划;国家重点研发计划;中央高校基本科研业务费专项

在线出版日期：2023-05-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：355-362