时间序列异常检测
针对时间序列异常检测设计，通过自对抗机制与对比学习克服后验崩塌，提升检测性能。
Zhang, Xiaoxia · 孙海超 · Chen D. · 王国胤 · Wu, Kesheng
Neural Networks 2023
转换网络 T 生成的异常潜在表示与正常表示相似，迫使解码器具备更强的区分能力，从而提升对复杂异常的检测灵敏度。
将正常重构视为正样本、异常重构视为负样本，在编码器上执行对比学习，增大输入与正常重构的相似度、与异常重构的差异度，使模型更容易区分正常与异常。
通过自对抗正则项约束解码器，防止其忽略潜在变量，从而保持潜在空间的信息量，降低误报率。
在五个数据集上的实验表明，ACVAE 的表现超越了当前最先进的时间序列异常检测方法。