Unsupervised Multivariate Time Series Data Anomaly Detection in Industrial IoT: A Confidence Adversarial Autoencoder Network
Notice bibliographique
Résumé
Anomaly detection of multivariate time series (MTS) is crucial in industrial intelligent systems. To address the challenges of absence of anomaly labels, fast inference time, multi-source and multi-modality in anomaly detection, researchers have primarily investigated unsupervised reconstruction-driven methods. However, the existing reconstruction-driven methods mainly focus on minimizing reconstruction errors while neglecting the importance of training methods that increase errors between normal and abnormal classes. Furthermore, accurately constructing the feature space of normal and abnormal classes during the reconstruction process remains a challenge. In this paper, we propose an innovative model, namely the confidence adversarial autoencoder (CAAE). The proposed CAAE combines a confidence network, based on window credibility judgment, with an autoencoder to provide credibility support for anomaly detection. We further introduce fake labels to provide the confidence network with a discriminative knowledge for identifying reconstructed data. Additionally, we implement the confidence adversarial training method to generate fake labels to construct an adversarial loss aiming to expand the decision boundary of anomaly scores. Extensive experimental results on publicly available time series datasets are provided to demonstrate the efficiency of our proposed CAAE. It reveals that excellent generalization ability and superior average performance are achieved on different datasets compared with the state-of-the-art methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,011 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».