Key points are not available for this paper at this time.
Zeitreihen werden oft verwendet, um die verschiedenen Zustände (d. h. Metriken) eines Systems aufzuzeichnen. Die Erkennung des Anomaliezustands ist herausfordernd, da die zeitlichen Dynamiken und inter-metrischen Abhängigkeiten simultan erlernt werden müssen und die Anomalietypen aufgrund der Komplexität der Zeitreihen vielfältig sind. Viele Modelle zur Anomalieerkennung lassen immer noch einige Herausforderungen ungelöst. Sie ignorieren hauptsächlich die Bedeutung von Informationen aus dem Frequenzbereich, während sie sich auf die Modellierung im Zeitbereich konzentrieren, und vernachlässigen zudem die übergreifenden Effekte von Zeit- und Frequenzbereichen. In diesem Papier schlagen wir ein neuartiges Multi-View Joint Cross Fusion Netzwerk (CrossFuN) vor, um verschiedene Arten von Anomalien zu erkennen, das eine breite Anwendbarkeit sowohl für univariate als auch für multivariate Zeitreihen hat. Insbesondere wurde basierend auf den Annahmen der Zeit-Frequenz-Heterogenität und Zeit-Frequenz-Koordination ein Zeit-Frequenz-gemeinsamer Kreuzfusionsblock entworfen, um simultan die Informationen sowohl der Zeit- als auch der Frequenzdomäne zu modellieren und die Beziehung zwischen der Zeitdomäne und der Frequenzdomäne zu erfassen. Darüber hinaus kann CrossFuN unter Ausnutzung des Aufmerksamkeitsmechanismus zeitliche Dynamiken und inter-metrische Abhängigkeiten erfassen. Wir führen umfassende Experimente an sieben realen Datensätzen durch, um die Effektivität von CrossFuN zu demonstrieren.
Bai et al. (Sun,) haben diese Frage untersucht.