Series2Graph:基于图形的时间序列子序列异常检测
本研究提出了一种基于动态跨序列图的多元时间序列异常检测框架 DyGraphAD,通过利用图的演化特性辅助图和时间序列预测任务,从而根据跨序列关系和时间模式的偏离来检测异常状态,并在实际数据集上验证了其胜过基线异常检测方法的性能。
Feb, 2023
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
本文提出了一种新的图序列建模和分析框架,用于检测和上下文化标记、流图数据中的异常。该框架通过增加对社区结构的灵活性来推广 Seshadhri 等人的 BTER 模型,并利用该模型进行多尺度图形异常检测。具体来说,通过在更细的级别上聚合概率来构建描述粗略子图的概率模型,并使用这些紧密相关的分层模型同时检测与期望偏差。本文的方法在标记设置中的社区结构、合成数据集和现实世界数据集上,从节点、子图和图形水平准确地检测异常。
Oct, 2014
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
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
本文综述了最新的用于检测以图形表示的数据中异常值的方法和算法,包括在不同场景下的无监督和(半)监督方法,以及针对属性和普通图的静态和动态图。作者强调了异常归因的重要性,并介绍了根据检测到的异常挖掘其根本原因的技术。除此之外,作者还列举了金融、拍卖、计算机流量和社交网络等领域中基于图形的异常检测的若干真实应用,并讨论了该领域的理论和实践挑战。
Apr, 2014
本篇研究提出了一种基于深度图流支持向量数据描述的方法,针对现有工作中长时间延迟模式捕获不足、传感器连接动态变化被忽视以及高维数据样本困扰,采用变分图自编码器模型并建立加权属性图以及超球面,其在各项实验中表现优异,将 F1-score 提升 35.87%、AUC 提升 19.32% 且训练和推断速度比最佳基线快 32 倍。
Feb, 2023
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
本文提出了一种半监督异常检测(SAD)的框架来处理动态图数据,并将时间内存库和伪标签对比学习模块相结合,充分利用未标记样本,可以有效地发现和检测动态图数据中的异常,即使只有少量标记数据也能优于现有先进方法
May, 2023
本文提出了一种名为 GraphAD 的基于图神经网络的多元时间序列异常检测模型,该模型适用于考虑每个实体的时间序列数据,并在 Ele.me 的真实数据集上得到了优异的表现。
May, 2022