无题

异常检测

实验对象：WSN序列数据

基于GNN的DAD：不仅可以捕获序列数据的时间相关性信息，还可以获取无线传感器网络节点之间的空间相关性信息

多节点多模态时序数据

无监督：依赖样本数量以及样本分布情况，存在样本不平衡的问题

自监督：采用构造异常样本的方式平衡正负样本的数量，存在生成的负例中异常类型缺乏多样性，模型学习到的异常信息单一化

程师姐：

自监督 对比学习+重构（GAN）

GCN（图卷积）+ TCN（时间卷积）提取时空和多时序之间的关联特征信息

现有方法大多使用重构法或自监督学习来处理数据集标签缺失问题

异常检测
节点异常

非深度学习WSN异常检测

传统时间序列模型

移动平均模型（MA）

自回归模型（AR）

自回归移动平均模型（ARMA）

整合移动平均自回归模型（ARIMA）