DARTs: Dual-Pfad-Framework für robuste Anomalieerkennung in Zeitreihen
Ein neues Verfahren namens DARTs verspricht, die Erkennung von Anomalien in hochdimensionalen, mehrdimensionalen Zeitreihen zu revolutionieren. Das System kombiniert zwei parallele Pfade, um sowohl kurzfristige als auch langfristige Muster in stark verrauschten Daten präzise zu erfassen.
Im Kurzzeitpfad arbeitet ein Multi‑View Sparse Graph Learner zusammen mit einer Diffusion Multi‑Relation Graph Unit, um hierarchisch differenzierende, kurzzeitige räumlich‑zeitliche Muster zu extrahieren. Der Langzeitpfad nutzt einen Multi‑Scale Spatiotemporal Graph Constructor, der die wesentlichen langfristigen Dynamiken innerhalb des hochdimensionalen Repräsentationsraums modelliert.
Ein zentrales Merkmal ist die window‑aware spatiotemporal soft‑fusion‑Mechanik, die Rauschreste filtert und gleichzeitig anomale Signale nahtlos integriert. Durch diese Kombination kann DARTs komplexe Abweichungen zuverlässig lokalisieren, selbst wenn die Daten stark verrauscht und dimensional hoch sind.
Umfangreiche Tests auf führenden Datensätzen zeigen, dass DARTs die Leistung bestehender Ansätze deutlich übertrifft und dabei besonders robust gegenüber langen, räumlich‑zeitlichen Abhängigkeiten bleibt. Zusätzlich wurden gezielte Ablationsstudien durchgeführt, um die wichtigsten Designentscheidungen zu validieren.
Der Entwickler kündigt an, dass Code und Modell bald öffentlich zugänglich gemacht werden, um die Forschungsgemeinschaft bei der Weiterentwicklung von Anomalieerkennung zu unterstützen.