Jan, 2024

TreeMIL: 多实例学习框架用于时间序列异常检测与不精确监督

PDF
TL;DR这篇研究提出了一种基于树的多示例学习框架（TreeMIL），用于解决时间序列异常检测中的集体异常问题，并在七个公共数据集和八种基线方法上进行实验证明，相较于先前最先进的方法，TreeMIL 的 F1 得分平均提高了 32.3%。
time series anomaly detectioninexact supervisioncollective anomaliestree-based mil frameworkf1-score improvement
发现论文，激发创造
  • 用于检测顺序现实数据集中异常的多实例学习

    本文研究了如何通过多实例学习 (MIL) 方法在不完全了解异常标签的情况下，检测来自不同物理过程及不同模式的实际数据集中的异常，经过实验评估，该方法在挑战性数据集上的表现优于单实例学习，并具有一定的扩展性。

    Oct, 2022

  • TimeMIL：通过面向时间的多实例学习推进多变量时间序列分类

    利用弱监督学习将多变量时间序列分类重新定义为多实例学习问题，通过引入基于时间感知的多实例学习池化，结合专门设计的可学习小波位置标记的令牌化变换器，以更好地定位和建模时间序列中感兴趣的模式，并表明该方法在多变量时间序列分类方面的优越性。

    May, 2024

  • 开放式多变量时间序列异常检测

    本研究提出了一种新方法，名为多变量开放式时间序列异常检测（MOSAD），旨在解决开放式时间序列异常检测问题，该问题在训练阶段可见一小部分有标签的异常样本，测试阶段需要检测到既有的异常类别又有未知的异常类别，并通过在特征提取、多头网络和异常评分模块等方面的创新实现在时间序列异常检测领域的全新的最佳性能。

    Oct, 2023

  • TimeSeriesBench：时间序列异常检测模型的工业级基准

    TimeSeriesBench 是一个工业级基准测试平台，通过多个训练和测试范式、评估指标和数据集的结合共计 168 个评估设置，评估了现有算法的性能，并提供了异常检测算法的未来设计建议。

    Feb, 2024

  • 通过多实例学习实现固有可解释的时间序列分类

    我们利用多示例学习 (MIL) 提出了一种名为 MILLET 的新框架，将其应用于现有的深度学习时间序列分类模型，展示了如何在不降低 (有时甚至提高) 预测性能的情况下使其具有内在的可解释性。通过在 85 个 UCR 时间序列分类数据集上进行评估，并提出了一个新的合成数据集，我们展示了 MILLET 能够快速生成比其他著名的解释性方法更高质量且更稀疏的解释。据我们所知，我们的工作是首次开发用于时间序列分类的通用 MIL 方法，并将其应用于广泛领域。

    Nov, 2023

  • 大型语言模型可提供准确且可解释的时间序列异常检测

    LLMAD 是一种新的时间序列异常检测方法，采用大语言模型（LLMs）提供准确而可解释的结果，通过在上下文中的检测来检索正面和负面的相似时间序列片段，并采用 Anomaly Detection Chain-of-Thought（AnoCoT）方法模仿专家逻辑进行决策过程，为用户决策提供解释。

    May, 2024

  • 多摄像头监控视频异常检测的 MIL 方法

    本文介绍了一个基于 MC-MIL 的异常检测算法，该算法结合了多实例学习和多摄像机视角，以处理监控视频中标签不足、遮挡和混杂问题，并在多摄像机统一损失函数的基础上使用 Sultani 的 MIL 排名函数，以在多相机视角下检测异常事件

    Jul, 2023

  • HCL-MTSAD: 面向工业多变量时间序列异常准确检测的分层对比一致性学习

    多元时间序列异常检测研究中，我们提出了一种自我监督的分层对比一致性学习方法（HCL-MTSAD），通过在工业 MTS 中利用多个潜在层级的数据一致性，系统地捕捉相关的关联，进而提高异常检测的能力。

    Apr, 2024

  • 时间序列中人机协同异常检测的可靠框架

    我们介绍了 HILAD，这是一个旨在提升时间序列异常检测模型的人工智能与人类之间动态双向协作的新框架，通过我们的可视化界面，HILAD 赋予领域专家在大规模上检测、解释和纠正意外的模型行为的能力，通过两个时间序列数据集的评估和用户研究，我们证明了 HILAD 在促进深入人类理解、立即纠正行动以及模型可靠性提升方面的有效性。

    May, 2024

  • 多变量时间序列异常检测与污染数据：应用于生理信号

    本研究介绍了一种无监督式的感知时间序列异常检测方法（TSAD-C），通过对带有异常的训练数据进行去噪、建立变量依赖模型和检测异常值等步骤，成功在三个广泛使用的生理数据集上超越现有方法，达到了领域中的最新技术水平。

    Aug, 2023