多粒度时序异常检测模型

防表示坍缩

结合上下文和序列间对比学习，同时捕捉细粒度和粗粒度判别信息，避免表示坍缩。

Bo-Wen, Xiao · 邢红杰 · Li, Chunguo

Information Fusion 2025

参数信息

对比方法数

11

数据集数

7

技术优势

表示不坍缩

通过交叉重建作为额外正则项，避免表示坍缩，从而获得鲁棒表示。

同时捕捉粗细粒度

结合上下文对比学习与序列间对比学习，同时提取细粒度和粗粒度判别信息，提升异常区分能力。

计算复杂度低

首次引入线性注意力网络学习时序依赖，降低计算复杂度，适合大规模数据。

自适应负样本惩罚

可学习的尺度因子λ_n自适应调整负样本惩罚程度，有效提升上下文表示质量。

应用场景

• 物联网异常检测：无需标签即可发现设备时序数据中的异常，降低人工监控成本。
• 工业传感器监控：捕捉传感器数据细粒度变化，适应动态工况，预防生产事故。
• 具身智能状态监测：识别机器人状态时序的异常模式，避免表示坍缩导致的误判。
• 机械设备故障诊断：在无故障样本条件下学习判别特征，提高故障检出率。