Jan, 2023

BSSAD: 面向多元时间序列异常检测的新颖贝叶斯状态空间方法

HTML
PDF
TL;DR本文提出了一种名为贝叶斯状态空间异常检测（BSSAD）的新颖方法，该方法结合了贝叶斯状态空间和递归神经网络及自编码器的优势。通过粒子滤波器和集合卡尔曼滤波器等贝叶斯状态空间模型，在进行大量实验后，该方法在五个不同数据集上的表现均优于基线超过0.95的F1得分，并且提出了Matthew Correlation Coefficient（MCC）作为更综合的准确性度量。
发现论文，激发创造
  • 基于神经系统识别和贝叶斯滤波的物理系统时间序列异常检测

    本文提出一种使用神经系统识别(NSI)和贝叶斯滤波(BF)的时间序列异常检测方法，该方法可比已有方法在错误检测上具有更好的性能。

    Jun, 2021

  • 多元时间序列中异常检测和诊断的评估

    本文系统评估了多种无监督和半监督的基于深度学习的方法，针对来自物联网系统的多维时间序列数据进行异常检测和诊断。通过实验，我们提出了评估时间序列异常检测的组合F-score ($Fc_1$) 度量，该度量考虑了异常事件的相关性和检测器的复杂性。实验结果表明，通过动态评分函数，相比静态评分函数，更能提高检测的准确性。而在具体的评分函数的选择上，往往比基本模型的选择更为重要。最后通过实验，我们发现了一个简单而有效的检测器，即基于单变量完全连接的自编码器，并采用动态高斯评分函数。该检测器在异常检测和诊断方面胜过了现有的算法。

    Sep, 2021

  • 少数正样本的多元时间序列异常检测

    本文介绍了两种方法来解决实际应用中时间序列异常检测的需要，并结合自回归(AR)模型进行代表性学习、鼓励区分常态和少量正样本的表征的损失函数分量，将所提出的方法应用于两个工业异常检测数据集，并与文献中的方法进行了比较。此外，本研究还指出了采用此类方法在实际应用中所面临的其他挑战。

    Jul, 2022

  • 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

  • 多元时间序列异常检测的算法回溯

    多变量时间序列中的异常检测已经得到广泛研究，本文提出了一种算法基础框架RecAD，在异常时间步骤上推荐修复行动，以便领域专家了解如何修复异常行为。

    Sep, 2023

  • 开放式多变量时间序列异常检测

    本研究提出了一种新方法，名为多变量开放式时间序列异常检测（MOSAD），旨在解决开放式时间序列异常检测问题，该问题在训练阶段可见一小部分有标签的异常样本，测试阶段需要检测到既有的异常类别又有未知的异常类别，并通过在特征提取、多头网络和异常评分模块等方面的创新实现在时间序列异常检测领域的全新的最佳性能。

    Oct, 2023

  • 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

  • 联合选择状态空间模型和去趋势处理的鲁棒时间序列异常检测

    通过利用选择性状态空间模型和多阶段去趋势机制，该论文提出了一种用于时间序列异常检测的深度学习模型，能够有效地建模长程依赖关系并解决非平稳数据的泛化问题，实证实验表明该方法优于其他12个对比基准方法。

    May, 2024

  • 基于模型的多变量时间序列在线异常检测：分类、综述、研究挑战及未来方向

    本文针对时间序列异常检测中的研究空白，提出了一种新的分类法，区分在线与离线、训练与推断。通过对现有的模型基础在线半监督和无监督异常检测方法的全面概述，指出了在基准测试中存在的挑战，并强调了解决评估指标及数据集缺陷的重要性，以推动该领域的实际应用。

    Aug, 2024

  • 基于模型的多变量时间序列在线异常检测：分类、调查、研究挑战及未来方向

    本研究针对多变量时间序列中的异常检测问题，提出了一种新的分类方法，区分了在线与离线、训练与推理的概念。文章详细分析了当前模型基础的在线半监督和无监督异常检测方法，指出了在基准测试方面面临的重大挑战，并提出改善评估指标和检测阈值选择的必要性，这为未来的研究提供了重要的方向。

    Aug, 2024