الملخص
تمت ترجمة أجزاء من هذه الصفحة آلياً وقد تحتوي على أخطاء.
Time series anomaly detection (TSAD) plays a crucial role in healthcare, finance, industrial monitoring, and other sectors. Within and between these settings, anomalies span vastly different temporal scales, from sub-second point spikes to multi-hour drift patterns. However, most existing TSAD methods commit to a single temporal granularity, and multi-scale designs either analyze different scales in isolation or are constrained to a predefined coarse-to-fine hierarchy, both failing to sufficiently capture multi-scale interactions. To resolve this limitation, we propose Multi-Scale Autoencoder with Cross-Scale Attention for TSAD (MSCAD), a simple yet powerful semi-supervised TSAD framework founded on parallel autoencoder branches corresponding to different patch sizes. A stack of symmetric bidirectional cross-scale attention blocks enables every pair of scales to exchange information before reconstruction without allowing any single scale to be privileged. On the comprehensive TSB-AD benchmark (40 datasets, 530 series), MSCAD achieves large performance gains against 50 baselines across multiple metrics, with VUS-PR of 0.57(+9.6%) on the univariate split and 0.47(+9.3%) on the multivariate split compared to the state-of-the-art.
الكلمات المفتاحية
الموضوع
بيانات النشر
- المجلة
- غير متاح
- وصول مفتوح
- وصول مفتوح أخضر
اقتبس هذه المقالة
APA 7
Guo, J., Zhang, H., Huang, Y. C., Duan, J., Konz, N., & Chen, T. (2026). لا مقياس يُترك: مُشفِّر تلقائي متعدد المقاييس بانتباه ثنائي الاتجاه لكشف شذوذ السلاسل الزمنية. https://omanscience.com/ar/articles/no-scale-left-behind-multi-scale-autoencoder-with-bi-directional-attention-for-time-series-anomaly-detection
MLA 9
Guo, Jiaheng, et al. "لا مقياس يُترك: مُشفِّر تلقائي متعدد المقاييس بانتباه ثنائي الاتجاه لكشف شذوذ السلاسل الزمنية." https://omanscience.com/ar/articles/no-scale-left-behind-multi-scale-autoencoder-with-bi-directional-attention-for-time-series-anomaly-detection.
شيكاغو (المؤلف–التاريخ)
Guo, Jiaheng, Haochen Zhang, Yu-Chao Huang, Jinhao Duan, Nicholas Konz, and Tianlong Chen. 2026. "لا مقياس يُترك: مُشفِّر تلقائي متعدد المقاييس بانتباه ثنائي الاتجاه لكشف شذوذ السلاسل الزمنية." https://omanscience.com/ar/articles/no-scale-left-behind-multi-scale-autoencoder-with-bi-directional-attention-for-time-series-anomaly-detection.
هارفارد
Guo, J., Zhang, H., Huang, Y. C., Duan, J., Konz, N. and Chen, T. (2026) 'لا مقياس يُترك: مُشفِّر تلقائي متعدد المقاييس بانتباه ثنائي الاتجاه لكشف شذوذ السلاسل الزمنية', Available at: https://omanscience.com/ar/articles/no-scale-left-behind-multi-scale-autoencoder-with-bi-directional-attention-for-time-series-anomaly-detection.
فانكوفر
Guo J, Zhang H, Huang YC, Duan J, Konz N, Chen T. لا مقياس يُترك: مُشفِّر تلقائي متعدد المقاييس بانتباه ثنائي الاتجاه لكشف شذوذ السلاسل الزمنية. https://omanscience.com/ar/articles/no-scale-left-behind-multi-scale-autoencoder-with-bi-directional-attention-for-time-series-anomaly-detection
IEEE
J. Guo, H. Zhang, Y. C. Huang, J. Duan, N. Konz, and T. Chen, "لا مقياس يُترك: مُشفِّر تلقائي متعدد المقاييس بانتباه ثنائي الاتجاه لكشف شذوذ السلاسل الزمنية," https://omanscience.com/ar/articles/no-scale-left-behind-multi-scale-autoencoder-with-bi-directional-attention-for-time-series-anomaly-detection.