时间序列的精确度和召回率
本研究提出了基于时间容限的点异常检测的精度和召回率的概念并进行统计模拟研究,结果表明当计算时间容限后,精度和召回率可能会高估检测性能。我们展示了如何获得这两个度量的空分布来评估结果的统计显着性。
Aug, 2020
本文提出了一种基于 affiliation 概念的、能够解决经典精确度和召回率不足的时间序列异常检测算法的评估指标扩展方案,该指标基于地面真相和预测集之间的联系,并使用持续时间测量。实验结果表明,该扩展方案有效,可用于评估算法结果,并保持本地性评估,从而实现算法结果的精细可视化和解释。
Jun, 2022
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
本文在分析基准数据集时发现部分数据困扰检测算法流程,进而提出了 UCR Time Series Anomaly Archive 资源库,以期为学术界提供合适的评测标准并提升异常数据检测的研究进展。
Sep, 2020
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
评估时间序列数据中的异常检测算法是至关重要的,因为不准确的检测可能导致各种实时分析和数据驱动策略中的错误决策。我们引入了 Proximity-Aware Time series anomaly Evaluation (PATE),这是一种新颖的评估指标,它考虑了预测和异常区间之间的时间关系,并使用基于接近度的加权方法来计算精确率和召回率曲线下面积的加权版本。我们的实验表明,PATE 在提供比其他评估指标更合理和准确的评估方面具有优势,我们还使用 PATE 评估方案在各种基准数据集上对几种最先进的异常检测器进行了测试,结果表明,像点调整 F1 分数这样的常见指标无法很好地表征检测性能,而 PATE 能够提供更公平的模型比较。通过引入 PATE,我们重新定义了模型效能的理解,从而引导未来的研究朝着开发更有效和准确的检测模型的方向发展。
May, 2024
本文介绍了两种方法来解决实际应用中时间序列异常检测的需要,并结合自回归 (AR) 模型进行代表性学习、鼓励区分常态和少量正样本的表征的损失函数分量,将所提出的方法应用于两个工业异常检测数据集,并与文献中的方法进行了比较。此外,本研究还指出了采用此类方法在实际应用中所面临的其他挑战。
Jul, 2022
提出了一个无监督的时间序列异常检测框架,利用基于点和序列重构模型进行点异常和上下文异常的量化,通过计算重构误差的组合值比率得到名词得分,并进一步将名词得分和异常得分集成生成诱导异常得分,理论上证明在特定条件下诱导异常得分优于原始异常得分,对多个公共数据集进行了广泛的研究,结果表明该框架优于大多数现有时间序列异常检测基准模型。
Oct, 2023
我们介绍了一种新颖的生成过程,用于创建包含低计数时间序列和异常片段的基准数据集,通过理论和实证分析,我们解释了现有算法在正常和异常片段之间的分布重叠问题,并展示了异常分数平滑如何提高性能。我们的分析和建议的实际效用在一个包含零售店销售数据的真实世界数据集上得到了验证。
Aug, 2023