כתבה
arXiv cs.AI ·
הפתעה על תשומת הלב: דינמיקה ניתוחית ניתנת לצפייה לזיהוי תקלות בסדרות זמן
Surprised by Attention: Predictable Query Dynamics for Time Series Anomaly Detection
מערכת AxonAD, שפותחה על ידי צוות מאוניברסיטת אסלינגן, מסוגלת לזהות תקלות בסדרות זמן על ידי חיזוי תכונות התשומת הלב של המודל. המערכת משתמשת בפונקציית העתקה של המודל כדי לחזות את התכונות העתידיות של התשומת הלב. AxonAD נבחן על סדרות זמן של טלמטריה רכבית וסדרות זמן של תצפיות טכניות. המערכת הציגה תוצאות טובות יותר מאשר המערכות המקוריות.
תקציר מקורי באנגליתarXiv:2603.12916v4 Announce Type: replace-cross Abstract: Multivariate time series anomalies often manifest as shifts in cross-channel dependencies rather than simple amplitude excursions. In autonomous driving, for instance, a steering command might be internally consistent but decouple from the resulting lateral acceleration. Residual-based detectors can miss such anomalies when flexible sequence models still reconstruct signals plausibly despite altered coordination. We introduce AxonAD, an unsupervised detector that treats multi-head attention query evolution as a short horizon predictable process. A gradient-updated reconstruction pathway is coupled with a history-only predictor that forecasts future query vectors from past context. This is trained via a masked predictor-target object
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית