كشف التسلسل الزمني متعدد المتغيرات عن الشذوذ باستخدام شبكة الانتباه الرسومية

كشف التقلبات في السلاسل الزمنية متعددة المتغيرات يُعد أمرًا بالغ الأهمية في بحوث تنقيب البيانات والتطبيقات الصناعية. حققت الطرق الحديثة تقدماً ملحوظًا في هذا المجال، لكنها ما زالت تعاني من قيود معينة. إحدى القيود الرئيسية هي عدم قدرتها على التقاط العلاقات بين السلاسل الزمنية المختلفة بشكل صريح، مما يؤدي إلى حدوث إنذارات خاطئة لا مفر منها. في هذه الورقة، نقترح إطارًا ذاتي التدريب (self-supervised) جديدًا لكشف التقلبات في السلاسل الزمنية متعددة المتغيرات لمعالجة هذه المشكلة. يُعامل إطارنا كل سلسلة زمنية أحادية المتغير كميزة منفصلة، ويتضمن طبقتين من الانتباه الرسومي (graph attention) تعملان بالتوازي لتعلم الاعتماديات المعقدة في السلاسل الزمنية متعددة المتغيرات من حيث الأبعاد الزمنية والسمات. بالإضافة إلى ذلك، يُحسّن نهجنا نموذج التنبؤ ونموذج إعادة البناء معًا، مما يُنتج تمثيلات أفضل للسلاسل الزمنية من خلال دمج التنبؤ بimestamp واحد وإعادة بناء السلسلة بأكملها. أظهرت التجارب الواسعة فعالية النموذج المقترح، حيث تفوق على نماذج حديثة أخرى في ثلاث مجموعات بيانات واقعية. كما أظهر التحليل الإضافي أن الطريقة تتمتع بقابلية تفسير جيدة وتعتبر مفيدة في تشخيص التقلبات.