如有侵权或其他问题，欢迎留言联系更正或删除。
出处：2023 KDD
论文链接：https://arxiv.org/abs/2306.10347
代码链接：https://github.com/DAMO-DI-ML/KDD2023-DCDetector
PS：DCdetector 具体代码内对：训练集、测试集、验证集的划分貌似有些 “非常规”，值得注意！
一 提出动机
采用 “对比表征学习”，杜绝 “重建 ” 导致难以检测 “段异常” 的弊端，前两种方法均包含 “重建”
贡献：
1. 提出了基于双重注意力的对比学习结构（dual-branch attention)【通道独立，多尺度】
2. 训练只需 “对比表征”（非传统），无需重构误差
二 Methodology
1. 整体架构
2. 预处理
3. 表征对比学习框架（Dual Attention Contrastive Structure）
1. 求 query 与 key：
2. 计算注意力权重：
3. 多头（H）注意力拼接：
上采样：（便于后续的 “表征比较”，恢复成一样形状的时间序列数据）
重复上采样操作不可避免地导致信息丢失。为更好保留原始数据信息，引入“多尺度”设计：
多尺度：设置不同大小的 patch，重复操作，最终求和
4. 表征比较 + 异常检测
损失函数（KL散度）：
异常检测：
三 实验结果
针对 “段模式” 异常，本方法相较于 "AnomalyTrans"，异常分数设置更为合理：
PPT 展示：
