ICLRFeb, 2024

RobustTSF: 面向具有异常情况的稳健时间序列预测的理论和设计

PDF
TL;DR时间序列预测是许多实际应用中的重要任务，但大部分时间序列预测技术都假设训练数据是没有异常值的。然而，在实践中，由于采集到的时间序列数据可能受到污染，这个假设是不现实的。因此，有必要开发方法从受到污染的数据中自动学习出一个鲁棒的预测模型。本文首先从统计视角定义了三种异常值，然后在这些异常值存在时进行了理论和实验分析损失稳健性和样本稳健性。基于我们的分析，我们提出了一种简单高效的算法来学习鲁棒的预测模型。大量实验证明我们的方法具有很高的稳健性，并且优于现有的所有方法。
发现论文，激发创造
  • 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

  • 用于时间序列分析的开源软件工具综述

    本文提供了关于时间序列分析的最重要开源工具的简明易懂的概述，并通过架构和定义主要功能来描述典型的时间序列分析框架，并将工具基于分析任务、数据准备和结果评估方法进行分类和量化分析。

    Mar, 2022

  • 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

  • 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

  • 美国东北关键带研究集水区时间序列数据中检测异常峰值模式的自动化机器学习方法

    该研究论文提出了一个自动化机器学习框架，旨在帮助水文学家检测美国东北部关键区域研究流域传感器生成的时间序列数据中的异常。该框架着重于识别峰值模式异常，该类异常可能来自传感器故障或自然现象。为了应对这些挑战，该框架利用合成生成的时间序列数据注入合成峰值模式，生成带有标签的数据集，并结合自动化超参数优化机制选择最合适的深度学习模型。该框架使用时间序列生成对抗网络 (TimeGAN) 作为合成数据集生成器，并通过准确性和计算成本等指标对产生的模型实例进行评估。通过应用于流域数据集的性能评估，该框架始终选择满足用户偏好的最佳模型实例。

    Sep, 2023

  • 监控服务中自动单变量时间序列异常检测的优化目标优化

    该研究论文提出了一个全面的自动参数优化框架，用于时间序列异常检测模型，通过预测分数、形状分数和灵敏度分数三个优化目标，可以适应不同的模型，简化用户的操作，并取得了良好的检测结果。

    Jul, 2023

  • 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

  • 学习历史，演化未来：预测时序趋势用于假新闻检测

    本研究提出了一种名为 “FTT” 的有效框架，可以预测新闻数据的时间分布模式并指导检测器快速适应未来的分布。在真实世界的时序数据集上的实验证明了我们所提出的框架的优越性。

    Jun, 2023

  • 使用 CounterfacTS 评估时间序列预测模型的鲁棒性

    CounterfacTS 是一个用于通过反事实来探测深度学习模型在时间序列预测任务中的鲁棒性的工具，具有用户友好的界面，可视化、比较和量化时间序列数据及其预测结果，并允许用户以可解释的方式应用各种转换探索预测的变化。通过示例案例，我们说明了 CounterfacTS 如何用于识别时间序列集合的主要特征、评估模型性能的依赖性以及指导转换原始时间序列以创建具有期望属性的反事实，从而提高在数据分布的新区域中的预测性能，并讨论了在转换时间序列和创建有效的反事实时可视化和考虑数据在投影特征空间中的位置的重要性。总体而言，CounterfacTS 有助于创建反事实，以高效地探索原始数据未涵盖的假设情景对于时间序列预测任务的影响。

    Mar, 2024