Multi-scale LSTM forecasting with attention-based feature fusion for anomaly detection in multivariate monitoring data
Este artículo propone MAF-LSTM, un marco de pronóstico de LSTM multiescala con fusión de características basada en atención y puntuación de distancia de Mahalanobis, el cual detecta eficazmente anomalías en datos de monitoreo multivariantes al capturar dependencias temporales a través de diversas escalas y superar a los modelos base existentes en múltiples conjuntos de datos de referencia.