系列文章链接
数据解读参考：数据基础：多维时序数据集简介
论文一：2022 Anomaly Transformer：异常分数预测
论文二：2022 TransAD：异常分数预测
论文三：2023 TimesNet：基于卷积的多任务模型
论文链接：TransAD.pdf
代码库链接：https://github.com/imperial-qore/TranAD
这篇文章是基于多变量数据的异常检测，也是基于transformer的一种深度学习方法，作者对前人的工作存在以下两点思考：
- 在常用的基于深度学习的异常检测方案中，都是采用一定的固定窗口进行样本数据提取，如对于一个时间点位，会提取历史窗口长度为100的数据作为当前点位的数据，然后采用LSTM编码进行数据向量化表征，但是这种表征方式存在缺陷，就是忽略了数据的长期周期性、季节性等规律特性。但是如果要加入这些数据，时序原始数据表征长度就会过长，很难进行建模。
- 真实数据和重构的数据差异比较大时有两种情况：（1）原始数据的噪声；（2）异常事件引起数据异常；而模型需要关注的应该是这些时候的差异性；
针对上述思考，论文作者提出了两个创新模块： - 基于Transformer的时序数据建模；
- 基于two-phase inference的数据重构；
整体架构如上图所示，通过编解码的结构进行网络架构搭建，具体的模块细节包含下面几个：
- Phase1对应的粗略重建：如下图所示，其中 W W W表示时序数据邻近窗口点位的时序数据， C C C表示能够获取周期性、季节性特性的长时段时间序列，截至点为当前时间点， 0 ⃗ \vec 0 0表示的是趋势序列输入的数据权重，在第一个阶段中是和完整序列 C C C大小相匹配的全0向量。在对窗口数据 W W W和完整序列 C C C采用多头注意力进行编码后，将完整序列的编码结果和窗口编码结果采用注意力机制进行计算，并进行解码，重构出两个输出结果 O 1 O_1 O1和 O 2 O_2 O2。关于如何进行多头注意力机制的建模就不展开了，可以参考原文。
- Phase2对应的引导重构：对于输出结果 O 1 O_1 O1、 O 2 O_2 O2而言，构建重构损失 ∣ ∣ O 1 − W ∣ ∣ 2 ||O_1-W||_2 ∣∣O1−W∣∣2 ∣ ∣ O 2 − W ∣ ∣ 2 ||O_2-W||_2 ∣∣O2−W∣∣2用于反馈给网络， O 1 O_1 O1反馈用于更新网络的focus score。更新好focus score后，对于Decoder1而言，目标是使得重构结果和目标间的差距更小，对于Decoder2而言，目标是使得重构结果和目标间的差距更大，所以对于两个解码器的两个阶段而言，设计了以下损失构建方式： L 1 = ϵ − n ∣ ∣ O 1 − W ∣ ∣ 2 + ( 1 − ϵ − n ) ∣ ∣ O ^ 2 − W ∣ ∣ 2 L_1=\epsilon^{-n}||O_1-W||_2+(1-\epsilon^{-n})||\hat O_2-W||_2 L1=ϵ−n∣∣O1−W∣∣2+(1−ϵ−n)∣∣O^2−W∣∣2 L 2 = ϵ − n ∣ ∣ O 2 − W ∣ ∣ 2 + ( 1 − ϵ − n ) ∣ ∣ O ^ 2 − W ∣ ∣ 2 L_2=\epsilon^{-n}||O_2-W||_2+(1-\epsilon^{-n})||\hat O_2-W||_2 L2=ϵ−n∣∣O2−W∣∣2+(1−ϵ−n)∣∣O^2−W∣∣2
- 异常得分计算： 1 2 ∣ ∣ O 1 − W ^ ∣ ∣ 2 + 1 2 ∣ ∣ O ^ 2 − W ^ ∣ ∣ 2 \frac{1}{2}||O_1-\hat W||_2+\frac{1}{2}||\hat O_2-\hat W||_2 21∣∣O1−W^∣∣2+21∣∣O^2−W^∣∣2超过阈值的则认为是异常；
