不规则时间系列的异常预测检测
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
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
快速有效的基于序列模式相似性的异常检测和警报过滤方法在大规模现实世界工业系统中被应用,通过与现有基准方法进行对比,验证了其普适性和稳健性。
May, 2024
利用因果发现学习系统的正常因果图,通过实时传感器数据的因果连接持久性评估来及时检测异常。在两个基准异常检测数据集上,我们的方法具有更高的训练效率,超越了最先进神经网络架构的准确性,并准确地识别了 10 种以上不同的异常。
Apr, 2024
针对非监督时间序列异常检测研究中的 ' 新常态问题 ',本文提出了一种基于趋势估计和自监督方法的简单而有效的测试时间适应策略,通过在推理过程中学习新的常态性,从而提高异常检测器的性能并增强对分布变化的鲁棒性。
Dec, 2023
该论文提出了一种名为 ProtoAD 的模型,使用基于示例的原型来解释深度模型中的正常模式状态,旨在提高深度模型的透明度和可理解性,进一步提高异常检测的精度和性能。
Jul, 2023
本文研究了全部三类(统计学、机器学习和深度学习方法中)的 20 种单变量异常检测方法,并在一些公共数据集上进行了评估。通过分析每种方法的准确性和算法的计算时间,提供了这些异常检测方法的性能和适用数据类型的一些一般概念。
Apr, 2020