基于序列重建的状态空间模型的时间序列异常检测
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
通过学习长期序列完整地表示物体的运动模式,提出了一种堆叠状态机 (SSM) 模型,该模型能够预测未来状态并确定违反正常运动模式的异常,提升了现有方法在视频异常检测方面的效果。
Sep, 2023
本文提出了一种细粒度的自适应异常诊断方法(即 MAD-Transformer)来识别和诊断多元时间序列中的异常行为,并通过比较残差矩阵与原始矩阵来确定和诊断异常,实验证明 MAD-Transformer 可以适应性地检测短时异常,并在噪声鲁棒性和本地化性能方面优于现有的基线模型。
Mar, 2024
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。
Jan, 2023
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
使用长短时记忆网络的编码器 - 解码器方案构建正常时间序列的重建,使用重构误差检测异常,实现了在可预测、不可预测、周期、非周期和准周期时间序列中检测异常。
Jul, 2016
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。
Apr, 2022
提出了一个无监督的时间序列异常检测框架,利用基于点和序列重构模型进行点异常和上下文异常的量化,通过计算重构误差的组合值比率得到名词得分,并进一步将名词得分和异常得分集成生成诱导异常得分,理论上证明在特定条件下诱导异常得分优于原始异常得分,对多个公共数据集进行了广泛的研究,结果表明该框架优于大多数现有时间序列异常检测基准模型。
Oct, 2023
通过长短时记忆网络(LSTM)自动编码器,结合去噪自编码器,可以更高效地实现无监督异常检测。此方法的关键字包括异常检测、时间序列、去噪自编码器、LSTM 自动编码器和无监督学习。
Aug, 2022
该论文介绍了一种通过神经网络和搜索片段的算法来恢复多维时间序列中的缺失值的方法,包括数据预处理、识别和重建阶段,使用了卷积和循环神经网络,实验证明该方法具有较高的恢复准确度和相对于其他先进方法的优势。
Dec, 2023