Oct, 2023

基于点 / 序列重构的名词得分条件时间序列异常检测

PDF
TL;DR提出了一个无监督的时间序列异常检测框架，利用基于点和序列重构模型进行点异常和上下文异常的量化，通过计算重构误差的组合值比率得到名词得分，并进一步将名词得分和异常得分集成生成诱导异常得分，理论上证明在特定条件下诱导异常得分优于原始异常得分，对多个公共数据集进行了广泛的研究，结果表明该框架优于大多数现有时间序列异常检测基准模型。
time series anomaly detectionunsupervisedreconstruction modelsnominality scorepublic datasets
发现论文，激发创造
  • 基于序列重建的状态空间模型的时间序列异常检测

    本文提出一种基于序列编码器和解码器的，利用前后向时间信息学习双向动态的无监督异常检测方法，通过对正常样本状态空间的正则化和使用马氏距离评估异常等级，实现对复杂多元时间序列数据中异常数据模式的识别和潜在故障的检测。

    Mar, 2023

  • 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

  • 基于模式的时间序列风险评分用于异常检测与警报过滤 —— 预测性维护案例研究

    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

  • 异常转换器：基于联合偏差的时间序列异常检测

    本研究旨在通过使用 Transformer 模型中的 Self-Attention 机制来解决无监督时间序列数据中异常点检测问题，策略是基于异常点的相邻时间点建立关联，使其排除与整个时间序列的关系，通过计算不同点的关联度来判断是否为异常点，并在六个应用领域中取得了最佳表现。

    Oct, 2021

  • 基于打分的生成模型的多元异常检测

    我们提出了一种基于评分的生成模型的多变量时间序列异常检测器，称为 MadSGM，它考虑了最广泛的异常度量因素：基于重建、基于密度和基于梯度的异常度量。通过在五个真实世界基准数据集上的实验证明，MadSGM 实现了最稳健和准确的预测。

    Aug, 2023

  • 大规模视频异常检测的判别式框架

    本文提出了一种基于判别式学习的异常检测框架，其独立于时间顺序和无监督，无需额外的训练序列，并且在移除了标准数据集中的训练序列后，仍能取得最先进的结果。

    Sep, 2016

  • 基于最近邻图的得分函数异 常检测

    提出了一种新的非参数自适应异常检测算法，它基于从 $n$ 点名义数据最近邻图推导出的得分函数。该算法适用于高维数据集，可以在不需要选择复杂的调整参数或函数逼近类别的前提下自适应地适应局部结构，如维度局部变换。

    Oct, 2009

  • 序列异常检测器的统计评估

    本研究提出了基于时间容限的点异常检测的精度和召回率的概念并进行统计模拟研究，结果表明当计算时间容限后，精度和召回率可能会高估检测性能。我们展示了如何获得这两个度量的空分布来评估结果的统计显着性。

    Aug, 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

  • 多元时间序列中异常检测和诊断的评估

    本文系统评估了多种无监督和半监督的基于深度学习的方法，针对来自物联网系统的多维时间序列数据进行异常检测和诊断。通过实验，我们提出了评估时间序列异常检测的组合 F-score ($Fc_1$) 度量，该度量考虑了异常事件的相关性和检测器的复杂性。实验结果表明，通过动态评分函数，相比静态评分函数，更能提高检测的准确性。而在具体的评分函数的选择上，往往比基本模型的选择更为重要。最后通过实验，我们发现了一个简单而有效的检测器，即基于单变量完全连接的自编码器，并采用动态高斯评分函数。该检测器在异常检测和诊断方面胜过了现有的算法。

    Sep, 2021