Apr, 2020

单变量时间序列中的异常检测：现有技术综述

PDF
TL;DR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。
anomaly detectiontime-series datastatistical methodsmachine learning algorithmsdeep neural networks
发现论文，激发创造
  • 时序无监督异常检测的比较研究：实验与分析

    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

  • 深度学习时间序列异常检测综述

    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

  • 时序数据异常值 / 异常检测综述

    这篇论文讨论了时间序列中的异常检测技术，提供了一种基于特征的分类法，并对现有技术进行了全面综述。

    Feb, 2020

  • 多元时间序列中异常检测和诊断的评估

    本文系统评估了多种无监督和半监督的基于深度学习的方法，针对来自物联网系统的多维时间序列数据进行异常检测和诊断。通过实验，我们提出了评估时间序列异常检测的组合 F-score ($Fc_1$) 度量，该度量考虑了异常事件的相关性和检测器的复杂性。实验结果表明，通过动态评分函数，相比静态评分函数，更能提高检测的准确性。而在具体的评分函数的选择上，往往比基本模型的选择更为重要。最后通过实验，我们发现了一个简单而有效的检测器，即基于单变量完全连接的自编码器，并采用动态高斯评分函数。该检测器在异常检测和诊断方面胜过了现有的算法。

    Sep, 2021

  • AIOps 领域中时间序列异常检测方法的调查

    基于人工智能运维 (AIOps) 的时间序列异常检测的综述以及基于最新进展的面向实际应用和下一代时间序列异常检测的未来方向。

    Aug, 2023

  • 深度学习用于异常检测：调研

    本文针对深度学习异常检测问题进行了系统综述，将研究方法划分为不同的类别并探讨其在应用领域的适用性和效果，同时讨论了现有研究的局限性和未来研究的方向。

    Jan, 2019

  • 当前时间序列异常检测基准存在缺陷，制造了进展的错觉

    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

  • 利用集成技术检测多变量时间序列中的异常

    多变量时间序列异常检测中的基于深度神经网络的特征提取和集成技术及其在水流闭环数据集上的实验结果的改进方法。

    Aug, 2023

  • 定位论文：无人监督时间序列异常检测的未来之路？

    当前时间序列异常检测（TAD）研究中存在评估指标缺陷、不一致的基准测试实践以及对新颖深度学习模型设计选择的缺乏合理的论证。本文对 TAD 中的现状进行了批判性分析，揭示了当前研究的误导轨迹，并突出了存在问题的方法及评估实践。我们的观点主张从仅追求模型设计的新颖性转向改进基准测试实践、构建非平凡数据集，并重新强调研究模型架构在特定任务中的实用性。我们的发现表明需要严格的评估协议、创建简单的基线，并揭示现有最先进的深度异常检测模型实际上只是学习线性映射。这些发现表明需要更多探索和开发简单且可解释的 TAD 方法。遗憾的是，现有最先进的深度学习模型的复杂性增加带来的改进很少。我们提供对该领域前进的见解和建议。

    May, 2024

  • 无监督异常检测算法的大规模评估揭示

    本文综合研究了 12 个最流行的无监督异常检测方法，发现它们被评估时使用了不一致的协议，因此定义了一致的评估协议并用于比较它们在五个广泛使用的表格式数据集上的性能。尽管评估不能确定一种方法在所有数据集上优于其他方法，但它识别出那些突出表现的方法并修正了关于它们相对性能的错误认识。

    Apr, 2022