融合对比学习和小样本学习的WSN时空相关性异常检测方法

本发明公开一种融合对比学习和小样本学习的WSN时空相关性异常检测方法，在模型结构设计方面，通过设计交叉保留结构改进RetNet模型，再融入GAT模块后，主干网络能够在提取WSN数据中的时空特征，并且其串行化推理的特性能够显著降低推理开销。在模型训练策略方面，设计了一种两阶段训练方法，首先为WSN时序数据设计了一种对比学习代理任务，从而适应集中样本标签缺失问题，然后设计了一种带缓存的样本采样器从小样本学习和对比学习的视角下对样本进行划分，并设计了一种具体的联合损失函数以有效解决样本不平衡问题。实验表明，本发明能够有效地检测和定位WSN中的异常节点。