本文调查了基于深度学习的时间序列异常检测的现状,提供了一种基于分类因素的分类法,并描述了每种分类法的优点和局限性,最后总结了研究中的开放性问题和采用深度异常检测模型面临的挑战。
Nov, 2022
对传统机器学习和深度学习技术在日志分析和异常检测中的评估进行了全面的实证研究,结果表明传统机器学习技术和深度学习技术在检测准确性和预测时间方面非常接近,而传统机器学习技术对超参数调整的敏感性较深度学习技术要低。此外,半监督技术的检测准确性明显较监督技术差。
Jul, 2023
深度迁移学习在工业过程中具有识别异常事件和优化质量的潜力,通过利用与相关任务的知识以及解决时间序列异常检测的问题来解决使用标准深度学习所需的大规模标记数据的问题,同时降低了深度学习模型设计和实现的复杂度。
论文介绍了一种新的检测时间序列数据异常值的方法,主要应用于监测微服务和云资源健康。该方法的主要创新点是将时间序列的建模对象从实数值或实数向量扩展到了实数值(或向量)上的概率分布。
Jul, 2020
该论文通过综合基准研究评估了多种基于机器学习的异常检测算法,并发现树型算法在许多情境下表现优于深度学习。
Feb, 2024
本文介绍了关于深度学习中的异常检测技术的研究,旨在提供现有技术的分类及其相对优缺点,强调在应用异常检测技术的深度学习系统中仍存在的未解决研究挑战,并提出了未来重要的研究方向。
Mar, 2020
本文介绍 anomalib,一种用于无监督异常检测和定位的新型库,支持从数据到边缘的无监督异常检测模型的设计、实施和部署,并提供来自文献的算法和一套可以通过即插即用的方法设计自定义异常检测算法的工具。同时,它还支持 OpenVINO 模型优化和量化用于实时部署。
Feb, 2022
该论文介绍了 ADGym,这是一个专为深度方法中的异常检测设计元素进行全面评估和自动选择而设计的平台。通过广泛的实验,表明仅仅采用现有的先进方法并不理想,使用 ADGym 构建的模型显著超越目前最先进的技术。
Sep, 2023
我们介绍了 HILAD,这是一个旨在提升时间序列异常检测模型的人工智能与人类之间动态双向协作的新框架,通过我们的可视化界面,HILAD 赋予领域专家在大规模上检测、解释和纠正意外的模型行为的能力,通过两个时间序列数据集的评估和用户研究,我们证明了 HILAD 在促进深入人类理解、立即纠正行动以及模型可靠性提升方面的有效性。
May, 2024
我们提出了一种利用可学习数据增强的时间序列异常检测(LATAD)技术,该技术通过对比学习从时间序列数据中提取判别特征。LATAD 在潜在特征相似性的基础上测量异常得分,并在多个基准数据集上表现出与最先进的异常检测评估相当或更好的性能,并提供了一种基于梯度的诊断技术来帮助确定根本原因。
Jun, 2024