这篇论文讨论了时间序列中的异常检测技术,提供了一种基于特征的分类法,并对现有技术进行了全面综述。
Feb, 2020
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
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
本文介绍了微软公司开发的时间序列异常检测服务的流程和算法,并且首次尝试将 Spectral Residual 模型与卷积神经网络相结合,用于时间序列异常检测,经过实验验证,在公共数据集和微软生产数据中的表现都优于现有成果。
Jun, 2019
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
本文提出了一个模块化的异常分类框架,用于自动检测和分类电信网络中的异常,研究采用时间序列模拟器生成真实网络 KPI 行为的合成时间序列,构建检测模型和分类模型,并验证了在真实网络时间序列数据中应用合成异常上训练的分类模型的良好性能。
Aug, 2023
本篇论文介绍了针对时间序列数据异常检测的分类方法,并对传统和深度学习技术进行了评估和比较,为选择最适合特定应用设置的方法提供了指导,并提出了研究方向。
Sep, 2022
通过综述与评估 12 种最先进的 KPI 异常检测方法并提出了一种新的评估指标 “显著性”,该研究为未来的学术研究与工业应用提供了基础。
Jan, 2024
本文提出一种新型的异常检测方法,称为 “异常的先驱”(PoA)检测,通过神经控制微分方程的神经网络以及多任务学习算法,在金融、制造和网络安全等领域的时间序列数据中取得了比传统方法更优秀的结果。
Jun, 2023
研究开发了两种新的统计技术,用于自动检测云基础架构数据中的异常,采用季节性分解和鲁棒统计度量,有效实现在季节性高峰存在的情况下的异常检测。从容量规划,用户行为和监督学习三个方面证明了所提出技术的有效性。
Apr, 2017