摘要
我们提出了一种新颖的时间序列异常检测方法，该方法在实现优异检测准确率的同时，显著提升了结果的可解释性。所提出的TimeVQVAE-AD方法基于前沿时间序列生成模型TimeVQVAE所衍生的掩码生成建模技术。其先验模型在时频域的离散潜在空间中进行训练，值得注意的是，时频域的维度语义在潜在空间中得以有效保留，从而使我们能够针对不同频段计算异常得分，进而对检测到的异常提供更深入的分析视角。此外，先验模型的生成特性支持对检测到的异常样本采样出可能的正常状态，通过反事实（counterfactual）分析进一步增强异常结果的可解释性。在UCR时间序列异常检测数据集上的实验评估表明，TimeVQVAE-AD在检测准确率与可解释性方面均显著优于现有方法。相关代码已开源，可通过以下链接获取：https://github.com/ML4ITS/TimeVQVAE-AnomalyDetection。