基于时间序列的异常检测的零正系统:Greenhouse机器学习系统
本文研究了全部三类(统计学、机器学习和深度学习方法中)的 20 种单变量异常检测方法,并在一些公共数据集上进行了评估。通过分析每种方法的准确性和算法的计算时间,提供了这些异常检测方法的性能和适用数据类型的一些一般概念。
Apr, 2020
提出一种无监督的异常检测方法,利用负采样创建负样本,并利用分类器区分正样本和负样本来查找设备的运行异常,证明负采样方法与神经网络分类器可有效应用于真实气候控制设备的故障预测。
Jul, 2020
论文介绍了一种新的检测时间序列数据异常值的方法,主要应用于监测微服务和云资源健康。该方法的主要创新点是将时间序列的建模对象从实数值或实数向量扩展到了实数值(或向量)上的概率分布。
Jul, 2020
本篇论文介绍了针对时间序列数据异常检测的分类方法,并对传统和深度学习技术进行了评估和比较,为选择最适合特定应用设置的方法提供了指导,并提出了研究方向。
Sep, 2022
本文调查了基于深度学习的时间序列异常检测的现状,提供了一种基于分类因素的分类法,并描述了每种分类法的优点和局限性,最后总结了研究中的开放性问题和采用深度异常检测模型面临的挑战。
Nov, 2022
本研究旨在针对“绿色AI”新兴话题,探讨如何在不损害环境的情况下,应对高性能机器学习模型的要求。通过对各种机器学习算法以及各种多层感知器(MLP)的配置进行仔细评估,并通过时间、CO2排放和能耗等综合考虑来衡量这些模型的环境足迹,该研究发现,优化的MLP配置可以获得更优异的结果,但其资源消耗相应增加,因此必须在模型性能、复杂性和环境成本之间达成平衡。
Jul, 2023
该研究论文提出了一个自动化机器学习框架,旨在帮助水文学家检测美国东北部关键区域研究流域传感器生成的时间序列数据中的异常。该框架着重于识别峰值模式异常,该类异常可能来自传感器故障或自然现象。为了应对这些挑战,该框架利用合成生成的时间序列数据注入合成峰值模式,生成带有标签的数据集,并结合自动化超参数优化机制选择最合适的深度学习模型。该框架使用时间序列生成对抗网络(TimeGAN)作为合成数据集生成器,并通过准确性和计算成本等指标对产生的模型实例进行评估。通过应用于流域数据集的性能评估,该框架始终选择满足用户偏好的最佳模型实例。
Sep, 2023
TADNet 是一种端到端的传统时间序列异常检测模型,利用季节-趋势分解将各种类型的异常链接到特定的分解组件,从而简化复杂时间序列的分析,并提高检测性能。
Sep, 2023
本研究解决了现有时间序列异常检测中训练不稳定和超参数调整繁琐的问题。提出的无训练的基于图像的时间序列异常检测方法(ITF-TAD)通过小波变换将时间序列数据转换为图像,利用图像基础模型进行异常检测,取得了优于深度学习模型的性能,并为用户提供了详细的异常及其频率的可视化效果。
Aug, 2024
本研究解决了传统异常检测方法无法有效处理非平稳时间序列的问题。提出了一种新的在线机器学习方法OML-AD,能够在处理非平稳数据的同时检测异常。研究表明,OML-AD在准确性和计算效率上超越了现有的先进方法,具有重要的应用潜力。
Sep, 2024