May, 2023

RoLA：一种针对多元时间序列的实时轻量级异常检测系统

PDF
TL;DR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。
multivariate time seriesanomaly detectionrolaonline model trainingcorrelations
发现论文，激发创造
  • LARA：轻量级和抗过拟合的无监督异常检测再训练方法

    该研究提出了一种基于深度变分自编码器（VAEs）的时间序列异常检测方法中的轻量级和防过拟合的重新训练方法（LARA），该方法能够以较快的速率收敛，并避免过拟合问题。实验证明，即使使用新分布的 43 个时间段的数据来重新训练 LARA，其 F1 得分仍与使用充分数据训练的最先进的异常检测模型相竞争，并且该方法的额外开销较小。

    Oct, 2023

  • 动态过程限制的实时离群值检测

    本文提出了一种基于逆累积分布的在线异常检测算法，用于现有实时基础设施中低延迟检测，适用于不可预测的数据模式，并在两个实际微电网操作数据案例中展示了易于使用、快速计算和可部署的优势。

    Jan, 2023

  • 高维时间序列在线异常检测的变分推断

    使用随机循环网络（STORN）学习机器人时间序列数据中的概率模型，并展示了在线下和在线上都能够较为稳健地检测异常的结果。

    Feb, 2016

  • 一种检测多元时间序列异常和根本原因的因果方法

    本文从因果关系的角度出发，将异常检测问题视为不遵循正常因果机制来生成多变量数据的实例，并提出了一种基于因果关系的框架来检测异常和根本原因。

    Jun, 2022

  • 一种轻量级和无监督的方法，用于使用运营数据测量进行近实时行为分析

    该研究提出了一种轻量级、无监督的方法，通过对大型计算系统的操作数据进行测量，实时检测异常行为并能够在较短的时间内做出适当反应。

    Jan, 2024

  • 实时物联网系统中的新奇检测可适应和可解释框架

    该论文介绍了 Real-time Adaptive 和 Interpretable Detection（RAID）算法，该算法能够适应多元动态过程中的非静态效应，从而提高检测精度并改进根本原因的隔离控制。

    Apr, 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

  • 基于低秩适应的时间序列基础模型在领域外模态预测中的应用

    通过对 Lag-Llama、MOIRAI 和 Chronos 这三个基础模型应用 Low-Rank Adaptation (LoRA) 技术，本研究探讨了在时间序列数据中使用 LoRA 对预测严重感染患者生命体征的影响，证明了 LoRA 在适用于未知模态时在提高预测性能和降低领域特定数据上运行大型模型的低效问题方面的潜力，并通过对调参参数和 LoRA 矩阵秩的不同设置进行综合消融研究，验证了模型性能的可观提高。

    May, 2024

  • 多变量数据流的实时异常检测

    本文提出了基于概率指数加权移动平均（PEWMA）的实时多元异常检测算法，能够在数据流中对 (突发瞬态、突发分布和渐变分布) 的数据漂移具有鲁棒性，且无需标记样本，能够有效检测概念漂移。

    Sep, 2022

  • 大规模异常检测：深度分布式时间序列模型的应用

    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