CALAD: Apprendimento Contrastivo Consapevole dei Canali per il Rilevamento di Anomalie
Un nuovo framework chiamato CALAD (Apprendimento Contrastivo Consapevole dei Canali) affronta il rilevamento di anomalie in serie temporali multivariate, dove i dati etichettati sono scarsi. A differenza dei metodi non supervisionati esistenti che trattano tutti i canali allo stesso modo, CALAD utilizza la rilevanza stimata dei canali per guidare la costruzione di campioni contrastivi, concentrandosi sulla semantica delle anomalie. La rilevanza dei canali è derivata dagli errori di ricostruzione di un autoencoder basato su transformer, identificando i canali più influenti per le anomalie. Ciò consente una strategia di aumento dei dati a livello di canale per l'apprendimento contrastivo. L'articolo è disponibile su arXiv con ID 2605.23139.
Fatti principali
- CALAD è un framework di apprendimento contrastivo consapevole dei canali per il rilevamento di anomalie in serie temporali multivariate.
- Affronta il problema della scarsità di dati etichettati nelle applicazioni reali.
- Gli approcci non supervisionati esistenti spesso trattano tutti i canali allo stesso modo, diluendo i segnali rilevanti per le anomalie.
- CALAD utilizza la rilevanza stimata dei canali per costruire campioni contrastivi.
- La rilevanza dei canali è stimata dagli errori di ricostruzione di un autoencoder basato su transformer.
- Il framework distingue i canali più influenti per i comportamenti anomali.
- Una strategia di aumento dei dati a livello di canale è progettata in base alla rilevanza dei canali.
- L'articolo è pubblicato su arXiv con ID 2605.23139.
Entità
Istituzioni
- arXiv