Feb, 2022

多分辨率集合和预测编码的循环自编码器用于多元时间序列异常检测

PDF
TL;DR本研究提出了一种名为 RAE-MEPC 的无监督多变量时间序列异常检测模型，利用多分辨率集成和预测编码学习具有非线性时间动力学的正常行为的信息丰富的表示，实验结果表明该模型在多变量时间序列异常检测方面胜过基准模型。
multivariate time-seriesanomaly detectionrae-mepcpredictive codingmulti-resolution ensemble
发现论文，激发创造
  • 多元时间序列数据非监督异常检测和诊断的深度神经网络

    该论文提出了一种名为 “MSCRED” 的多尺度卷积循环编码器 - 解码器模型，用于在多元时间序列数据中执行异常检测和诊断，并且在合成数据集和实际电厂数据集上进行了广泛的实证研究，证明 MSCRED 可以优于现有的基线方法。

    Nov, 2018

  • 基于自编码器的迭代建模与多元时间序列子序列聚类算法

    本文介绍了一种用于检测变点和识别瞬态多变量时间序列数据中相应子序列的算法，该算法使用基于递归神经网络 (RNN) 的自编码器 (AE)，通过重构误差和潜在空间信息来建立子序列模型，提出一种基于曲率的相似性度量进行更直观的时间序列子序列聚类，通过与其他七种算法的对比实验表明，我们的算法可以更好地在线及离线聚类多变量时间序列数据。

    Sep, 2022

  • 时间潜变量自编码器：一种概率多元时间序列预测方法

    本研究介绍了一种新颖的时间潜在自编码器方法以实现多元时间序列的非线性分解，并通过解码器建模输入序列的复杂分布，得到极好的表现。

    Jan, 2021

  • 时间序列异常检测中的弱增强变分自动编码器

    结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

    Jan, 2024

  • MTSMAE: 基于掩码的自编码器用于多元时间序列预测

    该论文提出了一种新的基于 Masked Autoencoders (MAE) 的自监督预训练方法称为 MTSMAE，利用补丁嵌入的方法处理多元时间序列，实验证明，该方法的性能显著优于目前最好的方法。

    Oct, 2022

  • MA-VAE：基于多头注意力的变分自编码器方法用于汽车耐久性动力系统测试中的异常检测

    提出了一种使用变分自编码器和多头注意力机制进行自动异常检测的方法，可以有效地识别和检测出大部分异常情况，同时还解决了绕过现象并引入了一种新的窗口重映射方法。

    Sep, 2023

  • 使用自编码紧凑表示的分层聚类进行时间序列分析

    使用 Auto Encoded Compact Sequence 和分层聚类方法构建的时间序列聚类算法，在选择最佳距离测量方法的基础上，采用递归神经网络进行自动编码，不仅可以解决大量计算时间的问题，而且在多个应用领域中表现出比基准结果更好的性能。

    Jan, 2021

  • 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

  • 揭示空间时间遮挡自编码器在多变量时间序列预测中的威力

    该研究提出了一种基于空间 - 时间蒙面自编码器（STMAE）的多元时间序列（MTS）预测框架，利用蒙面自编码器来增强空间 - 时间基线模型的性能，并通过在多个 MTS 基准上进行广泛实验来证明其在提高 MTS 预测能力方面的潜力。

    Sep, 2023

  • AMAD：基于对抗多尺度方法的高维时变分类数据异常检测

    本文提出了一个统一的端到端方法，通过结合 Adversarial Autoencoder 和 Recurrent Neural Network 的优势来解决时间演变数据、高维分类特征异常检测中多重分辨率的识别和监测问题。实验结果表明我们的方法优于现有技术。

    Jul, 2019