基于深度学习技术进行异常检测是近年的研究热点。文章针对图神经网络及其在多变量时间序列异常检测上的应用问题进行研究,实现了基于图神经网络的多变量时间序列异常检测的前沿算法图偏差网络(Graph Deviation Network,GDN)与基于图注...基于深度学习技术进行异常检测是近年的研究热点。文章针对图神经网络及其在多变量时间序列异常检测上的应用问题进行研究,实现了基于图神经网络的多变量时间序列异常检测的前沿算法图偏差网络(Graph Deviation Network,GDN)与基于图注意力网络的多变量时间序列异常检测(Multivariate Time Series Anomaly Detection with Graph Attention Networks,MTAD-GAT),并在6个真实数据集上进行了实验对比。通过结果分析发现,MTAD-GAT算法性能更加稳定,GDN算法在高维数据提取建模时更有优势。同时,文章探讨了两种算法在不同场景下的适用性及存在的问题。展开更多
文摘基于深度学习技术进行异常检测是近年的研究热点。文章针对图神经网络及其在多变量时间序列异常检测上的应用问题进行研究,实现了基于图神经网络的多变量时间序列异常检测的前沿算法图偏差网络(Graph Deviation Network,GDN)与基于图注意力网络的多变量时间序列异常检测(Multivariate Time Series Anomaly Detection with Graph Attention Networks,MTAD-GAT),并在6个真实数据集上进行了实验对比。通过结果分析发现,MTAD-GAT算法性能更加稳定,GDN算法在高维数据提取建模时更有优势。同时,文章探讨了两种算法在不同场景下的适用性及存在的问题。
