Anomaly-Transformer (ICLR 2022 Spotlight)

Anomaly Transformer：基于关联差异的时间序列异常检测

时间序列中异常点的无监督检测是一个具有挑战性的问题，它要求模型学习信息丰富的表示并得出可区分的标准。在本文中，我们从以下三个方面提出Anomaly Transformer：

• 使用关联差异作为内在的可区分检测标准。
• 提出新的异常注意力机制来计算关联差异。
• 采用极小极大策略来放大关联差异的正常-异常可区分性。

<p align="center"> <img src="https://raw.githubusercontent.com/thuml/Anomaly-Transformer/main/.\pics\structure.png" height = "350" alt="" align=center /> </p>

开始使用

1. 安装Python 3.6，PyTorch >= 1.4.0。 （感谢Élise为解决环境问题做出的贡献。详情请参见此问题。）
2. 下载数据。您可以从Google Cloud获取四个基准数据集。所有数据集都经过了良好的预处理。对于SWaT数据集，您可以按照其官方教程申请。
3. 训练和评估。我们在./scripts文件夹下提供了所有基准数据集的实验脚本。您可以按以下方式重现实验结果：

bash ./scripts/SMD.sh
bash ./scripts/MSL.sh
bash ./scripts/SMAP.sh
bash ./scripts/PSM.sh

特别地，我们使用Xu等人，2018提出的调整操作进行模型评估。如果您对此有疑问，请参阅此问题或发邮件给我们。

主要结果

我们将我们的模型与15个基线进行了比较，包括THOC、InterFusion等。总体而言，Anomaly-Transformer达到了最先进的水平。

<p align="center"> <img src="https://raw.githubusercontent.com/thuml/Anomaly-Transformer/main/.\pics\result.png" height = "450" alt="" align=center /> </p>

引用

如果您觉得这个仓库有用，请引用我们的论文。

@inproceedings{
xu2022anomaly,
title={Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy},
author={Jiehui Xu and Haixu Wu and Jianmin Wang and Mingsheng Long},
booktitle={International Conference on Learning Representations},
year={2022},
url={https://openreview.net/forum?id=LzQQ89U1qm_}
}

联系方式

如果您有任何问题，请联系wuhx23@mails.tsinghua.edu.cn。