AAAIDec, 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

PDF
TL;DR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。
time-series anomaly detectionnew normal problemtest-time adaptation strategytrend estimationself-supervised approach
发现论文，激发创造
  • 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

  • 面向上下文的领域适应方法用于时序异常检测

    通过深度增强学习和上下文采样来建立时间序列领域自适应模型，以实现相似或不同领域之间的知识转移，并且在三个公开数据集上取得了良好的效果。

    Apr, 2023

  • 自监督的时空正常性学习用于时间序列异常检测

    通过序列顺序预测的时间正常性学习（OTN）模块和基于距离预测的空间正常性学习（DSN）模块的综合，STEN 学习了隐藏在时间序列数据中的规律性的表达式空间 - 时间表示，相比其他方法在广泛的时间序列异常检测基准测试中取得了显著的性能优势。

    Jun, 2024

  • 端到端自调整自监督时间序列异常检测

    通过自动化调整数据增强技术进行时间序列异常检测，以提高无监督模型的性能。

    Apr, 2024

  • 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

  • MixNorm: 通过在线归一化估计进行测试时适应

    本文提出了一种简单而有效的方法，可以在测试期间估算批量标准化统计量以快速适应目标测试样本，并提出两种新的评估设置，避免对大量在线批次的依赖并能够仅通过单个样本估算准确的批量标准化统计量。该方法在测试时间自适应任务的新提出的设置中明显优于现有方法，并且在其他设置中也有所改进。

    Oct, 2021

  • 利用测试时间增强和一致性评估进行异常检测

    本文提出一种针对神经网络对未知数据的检测算法，名为 TTA-AD，借鉴了一种新的观察方法，实验证明 TTA-AD 在不同高效图像基准数据集下，运行时间比现有基于分类器的算法下降了 60%~90% 且具有可比较或更好的检测性能。

    Jun, 2022

  • 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

  • MAD：自监督多元时间序列遮蔽异常检测任务

    本文提出了一种名为 MAD 的新型自监督学习任务，用于多变量时间序列异常检测。该方法通过随机掩蔽输入数据一部分，使得模型在训练中通过学习预测掩蔽的数据能力，比传统的左到右预测任务取得更好的异常检测结果。

    May, 2022

  • 可学习数据增强的自监督时间序列异常检测

    我们提出了一种利用可学习数据增强的时间序列异常检测（LATAD）技术，该技术通过对比学习从时间序列数据中提取判别特征。LATAD 在潜在特征相似性的基础上测量异常得分，并在多个基准数据集上表现出与最先进的异常检测评估相当或更好的性能，并提供了一种基于梯度的诊断技术来帮助确定根本原因。

    Jun, 2024