DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series

时间序列异常检测（TAD）面临着一个重大挑战，即标记数据的稀缺性，这阻碍了准确检测模型的发展。无监督域自适应（UDA）通过利用相关领域的标记数据集来检测目标数据集中的异常，从而解决了这个挑战。现有的域适应技术假设源域和目标域之间的异常类别数量不变。本文提出了一种新颖的多元时间序列异常检测的域自适应对比学习（DACAD）模型，通过结合UDA和对比表示学习来解决这个问题。DACAD的方法包括一种异常注入机制，引入各种类型的合成异常，增强了模型跨不同域中未见异常类的泛化能力。这种方法显著扩展了模型的适应性和鲁棒性。此外，我们提出了一种针对源域的监督对比损失和一种针对目标域的自监督对比三元组损失，提高了全面特征表示学习和提取域不变特征。最后，我们提出了一种有效的中心熵分类器（CEC），专门用于异常检测，有助于在源域中准确学习正常边界。我们在多个实际数据集上进行了广泛评估，与时间序列异常检测和UDA领域的领先模型进行了比较，结果突出了DACAD的有效性。结果验证了DACAD在跨域知识转移方面的优越性，并证明了它在解决时间序列异常检测中有限标记数据挑战方面的潜力。

本文旨在解决时间序列异常检测中标记数据稀缺的问题，提出了一种结合无监督域自适应和对比表示学习的方法，以便在目标数据集中检测异常。

提出了一种新的领域自适应对比学习模型（DACAD），该模型通过引入各种类型的合成异常来增强模型对不同领域中未见异常类别的泛化能力，并结合监督对比损失和自监督对比三元组损失来提高特征表示学习的全面性。

该模型在多个真实数据集上进行了广泛的评估，并与时间序列异常检测和无监督域自适应领域中的领先模型进行了比较，证明了DACAD的有效性。该模型的亮点包括引入异常注入机制、提出的有效的基于中心熵分类器和使用的对比表示学习方法。

最近在时间序列异常检测和无监督域自适应领域中，还有一些相关的研究，例如：“Unsupervised Domain Adaptation for Time-Series Anomaly Detection Using Variational Autoencoder”，“Deep One-Class Classification for Time Series Data”等。