Sep, 2020

当前时间序列异常检测基准存在缺陷，制造了进展的错觉

PDF
TL;DR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。
time seriesanomaly detectiondeep learningbenchmark datasetsucr time series anomaly archive
发现论文，激发创造
  • TimeSeriesBench：时间序列异常检测模型的工业级基准

    TimeSeriesBench 是一个工业级基准测试平台，通过多个训练和测试范式、评估指标和数据集的结合共计 168 个评估设置，评估了现有算法的性能，并提供了异常检测算法的未来设计建议。

    Feb, 2024

  • 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

  • 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

  • 单变量时间序列中的异常检测：现有技术综述

    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

  • 将最终用户作为基准测试的优先事项：OrionBench 用于无监督时间序列异常检测

    时间序列异常检测是许多应用领域中一个普遍存在的问题，最近增加了基于深度学习的方法，而我们提出了 OrionBench 这一用户中心持续维护的基准测试框架用于无监督时间序列异常检测。

    Oct, 2023

  • 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

  • 多变量时间序列异常检测：先进算法与有缺陷的评估方法

    多元时间序列异常检测的关键词为多元时间序列异常检测、协议、基准数据集、主成分分析和深度学习。本文总结了最近算法评估中存在的问题，并提出了一种基于主成分分析的基准算法，在一些常见的基准数据集上超越了许多基于深度学习的方法，以此促进更多关于数据、实验设计、评估方法和结果可解释性等重要方面的研究努力。

    Aug, 2023

  • 评估实时异常检测算法 - Numenta 异常基准测试

    本文介绍了针对流数据异常检测的挑战，提出了基于开源工具的 Numenta Anomaly Benchmark 验证框架，用于测试不同算法的实时检测性能，主要关键词包括流数据、异常检测、时间序列数据、实时检测器、谷底检测算法。

    Oct, 2015

  • 大规模异常检测：深度分布式时间序列模型的应用

    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