Feb, 2024

通过一类分类理解时间序列异常状态检测

PDF
TL;DR通过一类分类 (OCC) 方法重新定义时间序列异常检测问题，使用随机过程和假设检验严格定义 “时间序列异常状态检测问题” 和其对应的异常，构建人工数据集并测试 38 个异常检测算法，通过大量实验比较了各种算法的实际性能，为未来研究提供了洞察和方向。
time series anomaly detectionone-class classificationtime series anomaly state detection problemstochastic processesanomaly detection algorithms
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

  • 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

  • 基于校准的单类分类方法用于无监督时间序列异常检测

    本文提出了一种新颖的单类学习方法，称为校准的单类分类，用于解决训练数据中未知异常数据的影响并提高数据正常行为的建模，实现对时序异常数据的监控和警报。经过对六个真实世界数据集的广泛实验，表明该模型显著优于十二个现有的竞争对手，并获得 6％-31％的 F1 分数提高。

    Jul, 2022

  • 单变量时间序列中的异常检测：现有技术综述

    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

  • 使用时间状态对齐在异常时间序列中进行根本原因检测

    提出了一种基于时间序列波动模式分析的方法，以定位分布式软件系统中异常的根本原因，并在 Zillows 的点击流数据上进行了验证。

    Jan, 2020

  • 深度对比单类时间序列异常检测

    提出了一种基于深度对比学习的时序对比一类异 常检测方法（COCA），具有优秀的性能，并通过两个真实世界的 时间序列数据集的广泛实验进行验证。

    Jul, 2022

  • 一类分类的关键评审：最新进展及其背后的现实

    对一类分类（OCC）进行全面回顾，检查其实现中所采用的技术和方法，探讨了在不同数据类型（如特征数据、图像、视频、时间序列等）中用于 OCC 的各种方法。通过系统回顾，综合总结了自 OCC 起始到目前的主要策略，重点关注了有前景的应用。此外，该文章批评了主导一类实验的最新图像异常检测（AD）算法，如离群值暴露（二分类）和预训练模型（多分类），与从单一类别中学习的基本概念相冲突。我们的调查表明，用于一类 CIFAR10 基准测试的前九个算法并非 OCC。我们认为二分类 / 多分类算法不应该与 OCC 进行比较。

    Apr, 2024

  • 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

  • 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

  • 海底工程异常检测的有监督时间序列分类

    通过监测物理系统的仿真数据，我们使用监督机器学习分类算法对时间序列进行分类，并讨论了时间序列数据预处理、统计分散度和降维技术。我们提出了一种直观的基准方法，并讨论了其效率，并通过不同性能指标的比较，展示了使用机器学习技术在决策中的优势。

    Mar, 2024