低计数时间序列异常检测

Aug, 2023

Low-count Time Series Anomaly Detection

Philipp Renz, Kurt Cutajar, Niall Twomey, Gavin K. C. Cheung, Hanting Xie

TL;DR我们介绍了一种新颖的生成过程，用于创建包含低计数时间序列和异常片段的基准数据集，通过理论和实证分析，我们解释了现有算法在正常和异常片段之间的分布重叠问题，并展示了异常分数平滑如何提高性能。我们的分析和建议的实际效用在一个包含零售店销售数据的真实世界数据集上得到了验证。

Abstract

low-count time series describe sparse or intermittent events, which are prevalent in large-scale online platforms that capture and monitor diverse data types. Several distinct challenges surface when modelling low-count time series, particularly low signal-to-noise ratios (when anomaly

low-count time series anomaly detection benchmark datasets anomalous segments anomaly score smoothing

发现论文，激发创造

时序异常检测；在具有有限特征和稀疏样本的嘈杂高周期数据中检测异常降落

该研究使用 TensorFlow 学习不同模型包括 DNNs, RNNs, 和 LSTMs 进行回归，并使用异常检测应用这些模型到具有噪音周期性的流量数据上，提高了检测周期性流量峰谷异常的准确度。

Aug, 2017

少数正样本的多元时间序列异常检测

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

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

深度学习时间序列异常检测综述

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

时序数据异常值 / 异常检测综述

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

Rare Yet Popular: 基于标记数据集的网络异常检测证据和影响

本文针对网络环境下的异常检测问题，通过系统分析已有的公共和私有基准数据，探索了其时态性、多变量性和空间属性特征，并提出了基于聚类的简化标注方法，实验结果为 2-10 倍。

Nov, 2022

时序无监督异常检测的比较研究：实验与分析

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

模型适应新的规范：无监督时间序列异常检测的测试时间调整

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

当前时间序列异常检测基准存在缺陷，制造了进展的错觉

本文在分析基准数据集时发现部分数据困扰检测算法流程，进而提出了 UCR Time Series Anomaly Archive 资源库，以期为学术界提供合适的评测标准并提升异常数据检测的研究进展。

Sep, 2020

时间序列的精确度和召回率

本研究提出了一种新的数学模型，用于评估时间序列分类算法的准确性，并将经典异常检测方法扩展到处理基于时间范围的异常，同时支持领域特定的定制化需求。

Mar, 2018