xLSTMAD: A Powerful xLSTM-based Method for Anomaly Detection

xLSTMAD: Мощный метод обнаружения аномалий на основе xLSTM В данной статье представлен xLSTMAD, новый метод обнаружения аномалий, использующий архитектуру xLSTM. Он заполняет пробел в применении xLSTM, известного своей эффективностью в прогнозировании временных рядов и языковом моделировании, к области обнаружения аномалий. Предлагаемая модель использует структуру энкодера-декодера, адаптированную для многомерных данных временных рядов. Исследуются два варианта декодера: прогнозирование (xLSTMAD-F) и реконструкция (xLSTMAD-R). Метод оценивается с использованием функций потерь среднеквадратичной ошибки (MSE) и мягкого динамического выравнивания времени (SoftDTW). Результаты на TSB-AD-M бенчмарке, включающем 17 реальных наборов данных, демонстрируют современную точность по сравнению с другими методами обнаружения аномалий. Исследование подчеркивает мощные возможности моделирования xLSTM для обнаружения аномалий и обеспечивает основу для будущих разработок в этой области. #xLSTM #ОбнаружениеАномалий #ВременныеРяды #ГлубокоеОбучение #МашинноеОбучение #ИИ #Прогнозирование документ - https://arxiv.org/pdf/2506.22837v1 подписаться - https://t.me/arxivdotorg отправить донаты: USDT: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7 BTC: bc1q8972egrt38f5ye5klv3yye0996k2jjsz2zthpr ETH: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7 SOL: DXnz1nd6oVm7evDJk25Z2wFSstEH8mcA1dzWDCVjUj9e создано с помощью NotebookLM