PatchAD: Ein leichtgewichtiger patch-basierter MLP-Mixer zur Zeitreihen-Anomalieerkennung

Die Zeitreihen-Anomalieerkennung ist eine zentrale Aufgabe in der Datenanalyse, birgt jedoch die Herausforderung, normale und anormale Muster in Szenarien mit mangelnder Kennzeichnung (Labels) zu unterscheiden. Frühere Studien haben größtenteils rekonstruktionsbasierte Ansätze verwendet, was die Repräsentationskapazitäten der Modelle einschränkt. Darüber hinaus sind bestehende Deep-Learning-basierte Methoden nicht ausreichend leichtgewichtig. Um diese Probleme anzugehen, stellen wir PatchAD vor, unsere neuartige, hocheffiziente, multiskalige, patch-basierte MLP-Mixer-Architektur, die kontrastives Lernen zur Repräsentationsextraktion und Anomalieerkennung nutzt. Mit seinen vier verschiedenen MLP-Mixern und dem innovativen Dual-Project-Constraint-Modul mindert PatchAD eine potenzielle Modell-Degradation und bietet eine leichtgewichtige Lösung, die lediglich 0.403 M Parameter erfordert. Seine Wirksamkeit wird durch State-of-the-Art-Ergebnisse über 8 Datensätze aus unterschiedlichen Anwendungsszenarien hinweg belegt, wobei es mehr als 30 Vergleichsalgorithmen übertrifft. PatchAD verbessert den klassischen F1-Score signifikant um 6,84 %, den Aff-F1-Score um 4,27 % und die V-ROC um 2,49 %. Gleichzeitig wurde eine eingehende Analyse der PatchAD zugrunde liegenden Mechanismen sowohl aus theoretischer als auch aus experimenteller Sicht durchgeführt, was die Designmotive des Modells validiert.