多变量数据流的实时异常检测
本文提出了一种基于 Exponential Weighted Moving Average,使用随机特征进行 Maximum Mean Discrepancy 距离度量、实现高效率非参数在线变点检测的方法。
May, 2018
本文介绍一种适应数据变化的 IoT 异常检测框架:PWPAE 框架,通过对 IoT 数据流的分析来解决传统数据分析模型中经常出现的概念漂移问题,并对两个公共数据集进行了实验以证明该提议的 PWPAE 方法的有效性。
Sep, 2021
这篇论文提出了一种新颖的基于窗口的算法 RPE,能够高效地检测时间序列数据中的异常点,并且与现有的基于窗口的方法相比,具有更强的适应性和更高的准确性。实验证明,RPE 能够在大多数情况下优于现有的同类方法。
May, 2022
提出了一种名为 Feature Monitoring 的灵活系统,它能够检测高维度输入数据的数据漂移,并能够观察机器学习算法的行为,该系统的轻量、高效和解释性特征排序可以帮助排查问题和减少添加自定义信号的需求。
Jul, 2022
本文提出了 MemStream,一种流异常检测框架,使用去噪自编码器和内存模块来检测和适应于不断变化的数据趋势,以应对流式数据中的异常情况和概念漂移,并通过实验结果证明其有效性。
Jun, 2021
提出了一个名为 MSTREAM 的流数据多方面异常检测框架,它可以以一种动态的方式检测不寻常的组群异常,其具有在线处理,可以捕捉多个数据方面之间的相关性,并能在多方面数据中检测异常,并在 CICIDS-DDoS 数据集上优于最先进的基线模型。
Sep, 2020
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
本文提出了与独特的大规模数据挖掘领域相关的 WePaMaDM 异常检测方法,探讨了数据建模在监视、故障检测和趋势分析等异常检测技术中的重要性与意义,同时介绍了半监督任务中的新颖检测方法
Jun, 2023
提出 RoLA—— 一种基于分治策略、并行处理和大多数原则的实时在线轻量级多变量时间序列异常检测系统, 以监视多变量时间序列,动态地在运行时确定变量之间的相关性,然后根据大多数原则联合检测异常。通过一个基于公共数据集的试验,证明 RoLA 提供了令人满意的检测准确性和轻量级性能。
May, 2023