【标题】NVAE-GAN Based Approach for Unsupervised Time Series Anomaly Detection 【作者团队】Liang Xu, Liying Zheng, Weijun Li, Zhenbo Chen, Weishun Song, Yue Deng, Yongzhe Chang, Jing Xiao, Bo Yuan 【发表时间】2021/1/8 【论文链接】原文地址 【参考链接】 【推荐理由】 本文来源于清华大学深圳研究院袁博副研究员团队,针对难以高精度检测单变量无监督时间序列中的异常问题，提出了基于NVAE的无监督学习模型T2IVAE。研究结果表明更好的VAE结构和特征工程可以显著提高时间序列异常检测模型的性能。

近年来，通过应用变分自动编码器（VAE）解决时间序列异常检测已有大量研究。时间序列异常检测是许多行业中非常普遍但具有挑战性的任务，在网络监控，设施维护，信息安全等方面起着重要作用。然而，由于从现实世界中收集的嘈杂数据和复杂的异常模式，很难以高精度检测时间序列中的异常。从最新的研究中，本文受到Nouveau VAE（NVAE）的启发，并提出了时间序列到图像VAE（T2IVAE）的异常检测模型：这是基于NVAE的单变量序列的无监督模型，将一维时间序列转换为二维图像作为输入，并采用重建误差来检测异常。除了，本文还将基于生成对抗网络的技术应用于T2IVAE训练策略，旨在减少过度拟合。通过评估了三个数据集的模型性能，并使用F1得分将其与其他几种流行模型进行了比较。T2IVAE在Numenta异常基准上达到0.639，在NASA公开数据集上达到0.651，在真实场景中收集的数据集上达到0.504，优于其他比较模型。 图1: 时间序列到图像VAE（T2IVAE）网络结构

内容中包含的图片若涉及版权问题，请及时与我们联系删除