TranAD对比8大基线模型：LSTM_AD、OmniAnomaly、USAD、GDN等异常检测算法实测分析

TranAD对比8大基线模型：LSTM_AD、OmniAnomaly、USAD、GDN等异常检测算法实测分析

【免费下载链接】TranAD[VLDB'22] Anomaly Detection using Transformers, self-conditioning and adversarial training.项目地址: https://gitcode.com/gh_mirrors/tr/TranAD

TranAD 是基于深度 Transformer 网络的多变量时间序列异常检测框架（VLDB 2022 论文开源实现），内置了 LSTM_AD、OmniAnomaly、USAD、GDN 等 8 个主流基线模型，支持在 SMAP、MSL、SWaT、SMD 等 9 个公开数据集上"一键复现"论文结果。本文带你实测对比这些异常检测算法的表现，并讲清楚 TranAD 为什么更强。

一、TranAD 是什么？适合谁用？

TranAD（Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data）解决的核心问题是：

• 多变量时间序列：一条时间线上有多个特征（如机器 25 个传感器指标），需要整体判断是否异常；
• 异常检测 + 异常诊断：不仅给出"哪段时间异常"，还能输出每个特征维度的异常分数，定位"哪个指标出了问题"；
• 统一对比：仓库里直接实现了 8 个基线异常检测算法，同代码、同数据、同指标横向对比，省去自己搭实验环境的麻烦。

💡 适合人群：做时序异常检测研究的研究生/工程师、需要选型异常检测算法的业务同学。

二、快速上手：3 步跑通异常检测对比实验

1️⃣ 获取代码

git clone https://gitcode.com/gh_mirrors/tr/TranAD

2️⃣ 安装依赖（Python ≥ 3.7）

pip3 install torch==1.8.1+cpu torchvision==0.9.1+cpu torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html pip3 install -r requirements.txt

3️⃣ 预处理数据 + 训练模型

# 预处理 9 个数据集（数据集不全可删减，详见 data/ 下各目录 readme） python3 preprocess.py SMAP MSL SWaT WADI SMD MSDS UCR MBA NAB # 训练并测试某个异常检测模型 python3 main.py --model TranAD --dataset SMAP --retrain

其中--model可取：TranAD、GDN、MAD_GAN、MTAD_GAT、MSCRED、USAD、OmniAnomaly、LSTM_AD；--dataset可取SMAP、MSL、SWaT、WADI、SMD、MSDS、MBA、UCR、NAB。加--less参数则只用 20% 训练数据，方便快速验证。

三、8 大基线异常检测算法一览

仓库中所有模型定义在src/models.py，训练调度逻辑在main.py，每个基线对应一类经典思路：

四、实测结果对比：TranAD 赢在哪？

项目自带的九大数据集完整对比结果如下图所示（指标为各数据集上的 Precision / Recall / AUC / F1）：

📊 关键结论（摘自上表 F1 列）：

1. TranAD 在 9 个数据集中的 F1 均位于第一梯队：NAB 0.9364、UCR 0.9694、MBA 0.9780、SMAP 0.8915、SWaT 0.8151、MSDS 0.9262 均为全场最高；
2. GDN 在 MSL 上 F1 最高（0.9591），但 TranAD 以 AUC 0.9916 的排序能力紧随其后，说明其异常分数区分度极强；
3. 简单模型在复杂场景掉分明显：WADI 上 LSTM-NDT 的 F1 仅 0.0271、DAGMM 仅 0.1412，而 TranAD 稳定在 0.4951，体现 Transformer 对多变量复杂耦合关系的建模优势；
4. SMD 数据集上，TranAD 拿下 AUC 0.9974、F1 0.9605 双第一，工业机器监控场景可直接参考该配置。

⚠️ 注意：仓库内的基线代码是简化实现，官方建议精确复现论文原数据时应使用各基线原始代码库（README 中已注明）。

五、TranAD 为什么更强？三大核心技术

完整模型定义见 src/models.py 中的TranAD类（L491 起），核心设计有三点：

• Transformer 编码-解码结构：以 10 步窗口输入（n_window=10），编码器学习多变量依赖，解码器重建当前时间步，重建误差即异常分数；
• 自条件（Self-conditioning）：两阶段解码——第一阶段正常解码，第二阶段把第一阶段的重建误差作为异常分数条件再次解码，让模型学会"利用已检测到的异常"提升精度；
• 对抗训练（Adversarial）：训练中向输入添加对抗扰动，增强对未见异常模式的鲁棒性。

想拆解各组件贡献？仓库提供了 4 个消融变体，直接换模型名即可运行：

python3 main.py --model TranAD_Basic --dataset SMAP --retrain python3 main.py --model TranAD_Transformer --dataset SMAP --retrain python3 main.py --model TranAD_Adversarial --dataset SMAP --retrain python3 main.py --model TranAD_SelfConditioning --dataset SMAP --retrain

超参数（学习率、epoch 等）统一在src/params.json与src/constants.py中配置，可按数据集微调。

六、如何看懂输出指标？

训练完成后，程序会打印每个特征维度的检测结果与整体汇总，例如：

Training time: 3.1920 s Testing TranAD on SMAP {'FN': 0, 'FP': 182, 'TP': 748, 'TN': 7575, 'f1': 0.8915, 'precision': 0.8043, 'recall': 0.9999, 'Hit@150%': 1.0, 'NDCG@150%': 1.0, 'threshold': 0.1613}

• P / R / F1：检测准确率的经典三件套，选型看 F1 最直观；
• AUC：异常分数排序能力，AUC 高意味着容易通过阈值调参；
• Hit@150% / NDCG：检测位置与真实异常区间的对齐程度，衡量"报得准不准位置"；
• threshold：推荐判异阈值，可直接用于线上部署。

每次运行还会在plots/下生成训练曲线与预测曲线 PDF（如plots/TranAD_SMD/training-graph.pdf），便于可视化对比不同模型的收敛情况。

七、总结：怎么选异常检测算法？

TranAD 用统一的代码框架把 Transformer 异常检测做到了"开箱即比"，是时序异常检测选型与论文实验复现的高性价比起点。动手试试吧！🚀

【免费下载链接】TranAD[VLDB'22] Anomaly Detection using Transformers, self-conditioning and adversarial training.项目地址: https://gitcode.com/gh_mirrors/tr/TranAD