SimAD: A Simple Dissimilarity-based Approach for Time Series Anomaly Detection

简单(哲学) 系列(地层学) 异常检测 异常(物理) 模式识别(心理学) 计算机科学 人工智能 数据挖掘 地质学 物理 哲学 古生物学 认识论 凝聚态物理
作者
Zhijie Zhong,Zhiwen Yu,Xing Xi,Yue Xu,Jiahui Chen,Kaixiang Yang
出处
期刊:Cornell University - arXiv
标识
DOI:10.48550/arxiv.2405.11238
摘要

Despite the prevalence of reconstruction-based deep learning methods, time series anomaly detection remains challenging. Existing approaches often struggle with limited temporal contexts, inadequate representation of normal patterns, and flawed evaluation metrics, hindering their effectiveness in identifying aberrant behavior. To address these issues, we introduce $\textbf{{SimAD}}$, a $\textbf{{Sim}}$ple dissimilarity-based approach for time series $\textbf{{A}}$nomaly $\textbf{{D}}$etection. SimAD incorporates an advanced feature extractor adept at processing extended temporal windows, utilizes the EmbedPatch encoder to integrate normal behavioral patterns comprehensively, and introduces an innovative ContrastFusion module designed to accentuate distributional divergences between normal and abnormal data, thereby enhancing the robustness of anomaly discrimination. Additionally, we propose two robust evaluation metrics, UAff and NAff, addressing the limitations of existing metrics and demonstrating their reliability through theoretical and experimental analyses. Experiments across $\textbf{seven}$ diverse time series datasets demonstrate SimAD's superior performance compared to state-of-the-art methods, achieving relative improvements of $\textbf{19.85%}$ on F1, $\textbf{4.44%}$ on Aff-F1, $\textbf{77.79%}$ on NAff-F1, and $\textbf{9.69%}$ on AUC on six multivariate datasets. Code and pre-trained models are available at https://github.com/EmorZz1G/SimAD.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
斯文雪青完成签到,获得积分10
1秒前
慕青应助王文帝采纳,获得10
1秒前
甜味白开水完成签到,获得积分10
2秒前
开心蛋挞发布了新的文献求助10
3秒前
赘婿应助娃哈哈采纳,获得10
3秒前
3秒前
Ya发布了新的文献求助10
3秒前
xmhxpz完成签到,获得积分10
4秒前
情怀应助解灵采纳,获得10
4秒前
terminus完成签到,获得积分0
5秒前
Joker_Xue完成签到 ,获得积分10
5秒前
俏皮的松鼠完成签到 ,获得积分10
5秒前
科目三应助荆轲刺秦王采纳,获得10
6秒前
MWSURE完成签到,获得积分10
6秒前
6秒前
6秒前
6秒前
小欧医生完成签到,获得积分10
7秒前
HongJiang完成签到,获得积分10
7秒前
儒雅的蜜粉完成签到,获得积分10
7秒前
7秒前
潇洒绿蕊完成签到,获得积分10
7秒前
Kelly完成签到,获得积分10
7秒前
hajy完成签到 ,获得积分10
8秒前
yuze发布了新的文献求助10
9秒前
共享精神应助敏敏采纳,获得20
9秒前
lebron发布了新的文献求助10
9秒前
10秒前
free发布了新的文献求助10
10秒前
丘比特应助hopen采纳,获得10
11秒前
小星星完成签到 ,获得积分10
11秒前
daladidala发布了新的文献求助10
12秒前
ider完成签到 ,获得积分10
12秒前
SQL完成签到 ,获得积分10
13秒前
王文帝发布了新的文献求助10
13秒前
123456发布了新的文献求助30
13秒前
14秒前
化学胖子完成签到,获得积分10
14秒前
烂漫的书蕾完成签到,获得积分10
15秒前
16秒前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 700
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 700
A Dissection Guide & Atlas to the Rabbit 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3099914
求助须知:如何正确求助?哪些是违规求助? 2751373
关于积分的说明 7613446
捐赠科研通 2403368
什么是DOI,文献DOI怎么找? 1275253
科研通“疑难数据库(出版商)”最低求助积分说明 616318
版权声明 599053