多变量时序F1平均提升0.23
该模型融合先验知识表征网络与ConvLstm预测网络，精准提取变量间细粒度依赖分布特征，并保留细粒度季节性特征信息，从而在多元时间序列异常检测中取得显著优于基线方法的检测性能和鲁棒性。
陈红松 · Xingyu, Li · Wenmao, Liu
Computers and Security 2024
利用先验知识移除变量间不存在的依赖，能精确捕获细粒度依赖分布特征，提升依赖矩阵对变量相关性的表示精度。
构建深度卷积残差自编码器，在空间维度上减少细粒度季节性特征信息的丢失。
构建基于时序注意力的ConvLstm预测网络，在时间维度上对表征网络的输出进行细粒度异常判定。
在六个开源数据集上系统实验，结果优于基线异常检测方法，平均F1分数最高提升0.23。