Apr, 2022

工业传感器大型时间序列的多尺度异常检测

PDF
TL;DR提出一种基于重构的异常检测方法 MissGAN，通过迭代学习将自然而平滑的时间序列重视切分为较粗的片段，并在低维度表示基础上发现更细的段落，从而学习多尺度段落，并通过对抗规则和额外条件状态重构一个有意义且稳健的时间序列，不需要标签或仅需要正常实例的标签，适用范围广泛。
anomaly detectiontime seriesmissganhmmmulti-scale segments
发现论文，激发创造
  • MAD-GAN：基于生成对抗网络的多元时序数据异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在 SWaT 和 WADI 数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

    Jan, 2019

  • 基于打分的生成模型的多元异常检测

    我们提出了一种基于评分的生成模型的多变量时间序列异常检测器，称为 MadSGM，它考虑了最广泛的异常度量因素：基于重建、基于密度和基于梯度的异常度量。通过在五个真实世界基准数据集上的实验证明，MadSGM 实现了最稳健和准确的预测。

    Aug, 2023

  • 基于 MIM-GAN 的多元时间序列数据异常检测

    基于信息重要性度量的生成对抗网络的多时间序列异常检测算法具有优越的准确率、召回率和 F1 分数。

    Oct, 2023

  • MGADN：用于多元时间序列的多任务图形异常检测网络

    研究了多变量时序数据的异常检测问题，提出了一种使用 GAT 和 LSTM 深度学习模型的方法，通过多任务优化算法来同时实现时间戳和传感器之间的关系建模、精准的异常检测和重构。

    Nov, 2022

  • 基于图神经网络的多元时间序列异常检测

    提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

    Jun, 2021

  • 使用生成对抗网络进行多元时间序列异常检测

    利用生成对抗网络（GAN）进行复杂的网络型智能物理系统的异常检测，通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为，针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。

    Sep, 2018

  • TSI-GAN: 使用卷积循环一致性生成对抗网络进行无监督的时间序列异常检测

    本研究提出 TSI-GAN，一种用于时序数据的无监督异常检测模型，可以自动学习复杂的时间模式并广义于不同数据集，通过将每个输入时间序列转换为二维图像序列，并使用具有逆映射准确性的重建型 GAN 进行训练，以及后处理中应用 Hodrick-Prescott 过滤器来缓解假阳性问题，最终实验表明，与 8 种基准方法相比，TSI-GAN 具有明显的性能优势。

    Mar, 2023

  • 基于图注意力网络的多变量时间序列异常检测

    本文提出了一个新的自监督多元时间序列异常检测框架，使用图注意力层显式地捕获时间序列之间的关系，并结合预测 和重构的方法来获得更好的时间序列表示，实验结果表明该方法在真实数据集上表现优异且具有良好的可解释性。

    Sep, 2020

  • 基于序列重建的状态空间模型的时间序列异常检测

    本文提出一种基于序列编码器和解码器的，利用前后向时间信息学习双向动态的无监督异常检测方法，通过对正常样本状态空间的正则化和使用马氏距离评估异常等级，实现对复杂多元时间序列数据中异常数据模式的识别和潜在故障的检测。

    Mar, 2023

  • TAnoGAN：基于生成对抗网络的时间序列异常检测

    本文提出了一种用于时序数据异常检测的基于生成对抗神经网络的无监督方法 TAnoGan，实验结果表明其比传统及神经网络模型表现更好。

    Aug, 2020