Exploring the Influence of Dimensionality Reduction on Anomaly Detection Performance in Multivariate Time Series

本文对高级无监督时间序列异常检测模型MUTANT和Anomaly-Transformer的降维技术进行了广泛的实证研究，重点关注了这些模型与降维技术的集成。研究涉及三个不同的数据集：MSL、SMAP和SWaT。每个数据集都提出了独特的挑战，从而允许在不同的情境下对模型的能力进行全面评估。所研究的降维技术包括PCA、UMAP、随机投影和t-SNE，每种技术在简化高维数据方面都具有不同的优势。我们的研究结果显示，降维不仅有助于减少计算复杂度，而且在某些情况下还显著提高了异常检测性能。此外，观察到训练时间显著减少，当将维度减半并最小化到最低维度时，训练时间分别减少了约300%和650%。这种效率提高强调了降维在性能提升和操作效率方面的双重好处。MUTANT模型表现出显著的适应性，特别是在UMAP降维方面，而Anomaly-Transformer则展现出在各种降维技术方面的多功能性。这些洞见深入理解了降维和异常检测的协同效应，为时间序列分析领域提供了有价值的视角。研究强调了根据具体模型要求和数据集特征选择适当的降维策略的重要性，为异常检测中更高效、准确和可扩展的解决方案铺平了道路。

本论文旨在探讨降维技术在时间序列异常检测模型中的应用，验证其在多个数据集上的效果，同时比较不同降维方法的性能。

论文提出了将PCA、UMAP、随机投影和t-SNE等降维技术应用于MUTANT和Anomaly-Transformer模型中，发现降维不仅可以降低计算复杂度，而且在某些情况下还可以显著提高异常检测性能，并且可以大幅缩短训练时间。

论文使用了MSL、SMAP和SWaT三个数据集进行实验，并开源了相关代码。实验结果显示，MUTANT模型在使用UMAP降维时表现尤为突出，而Anomaly-Transformer模型在不同降维技术下表现稳定。此外，论文还发现不同数据集和模型需要选择合适的降维策略，以获得最佳性能。

近期相关研究包括：'Time Series Anomaly Detection with Variational Autoencoders'、'Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications'等。