基于VAEformer的无监督时序数据异常检测方法OA
针对时序异常检测方法在应对具有复杂时序特性的数据时,存在对时间维度关联特征捕捉不足,影响异常识别的准确性,以及多数传统算法过度关注数据点的静态特征,而未能充分考虑时间维度上的动态关联性,使得系统在异常识别环节的表现受到制约的问题,文中提出一种融合VAE与Transformer的无监督异常检测模型(VAEformer)。该方法在VAE重构序列的基础上加入了Transformer编解码结构,以增强模型对时序关系的捕捉和表达能力。同时,针对传统Transformer点积注意力机制在长序列处理中的性能瓶颈,引入高效注意力机制来提升模型的计算效率和性能。实验结果表明,所提出的VAEformer模型在多个公开时序数据集上展现出优异的异常检出能力,并显著减少了误报和漏报,是一种有效的数据异常检测方法。
卢静;裴晓丹;王嘉伟;牛建东;罗欣;汤世宝;火久元
酒泉数字经济投资发展有限公司,甘肃酒泉735000 兰州交通大学电子与信息工程学院,甘肃兰州730070酒泉数字经济投资发展有限公司,甘肃酒泉735000酒泉数字经济投资发展有限公司,甘肃酒泉735000酒泉数字经济投资发展有限公司,甘肃酒泉735000酒泉数字经济投资发展有限公司,甘肃酒泉735000兰州交通大学电子与信息工程学院,甘肃兰州730070兰州交通大学电子与信息工程学院,甘肃兰州730070
信息技术与安全科学
异常检测VAETransformer无监督注意力机制特征提取
《现代电子技术》 2026 (15)
P.147-154,8
国家自然科学基金项目(62262038)甘肃省科技计划-中小企业创新基金(25CXGA014)。
评论