摘要
近年来，深度学习技术在异常检测领域展现出巨大潜力，相较于传统的统计建模与基于信号处理的方法，其在系统建模方面表现出更强的灵活性与有效性。然而，神经网络（Neural Networks, NN）仍面临若干广为人知的挑战，包括泛化能力不足、需要大量标注数据以实现有效训练，以及难以充分理解数据中的空间上下文信息。本文提出一种新型神经网络架构，将长短期记忆网络（Long Short-Term Memory, LSTM）与胶囊网络（Capsule Networks）融合于单一网络中，并构建在分支输入自编码器（branched input Autoencoder）框架下，专门用于处理多变量时间序列数据。所提出的方法采用无监督学习策略，有效缓解了获取大规模标注训练数据的难题。实验结果表明，在未进行超参数优化的情况下，引入胶囊网络显著降低了过拟合现象，并提升了训练效率。此外，结果还显示，与非分支输入模型相比，分支输入结构无论是否包含胶囊网络，均能更稳定、一致地学习多变量数据特征。该模型架构在开源基准数据集上的测试中，实现了当前最优的异常检测性能，在各项评估指标上均优于现有最先进方法，表现出卓越的整体表现。