Apr, 2024

扭曲时间序列异常检测

PDF
TL;DR该研究论文探讨了检测时间序列异常值的问题，重点关注具有重复行为的系统，例如在生产线上操作的工业机器人。通过使用特定于大型时间序列的基于 GPU 的质心算法，该论文提出了一种异常检测方法，该方法可以识别出重复周期并计算异常得分，以检测异常循环。实验证明，该方法能够处理大型信号，计算人类友好的原型，使用非常少的数据，并且优于一些通用的异常检测方法，如自编码器。
time series outliersrepetitive behavioranomaly detectiondynamic time warping algorithmwarped time series anomaly detection
发现论文，激发创造
  • 时间序列中具有弹性和可扩展性的畸变可靠异常检测

    本文提出了一种基于时间序列的无监督异常检测方法，使用数据增强来实现具有鲁棒性的表示学习，并应用于最先进的异常检测技术中，实现在时间序列中检测点异常和序列异常，并与现有方法进行了对比，得到了良好的性能和计算效率。

    Jun, 2019

  • 基于专家增强的动态时间规整的异常检测

    我们提出了一种名为 E-DTWA 的新颖异常检测方法，它基于动态时间规整（DTW）算法，并加入了人在环路概念的额外改进，其主要优点包括高效的检测、基于专家检测反馈的灵活再训练以及低计算和空间复杂度。

    Oct, 2023

  • 动态时间规整下的弱监督时序异常分割

    本论文提出了一种名为 WETAS 的新框架，它利用实例级别的异常标签来有效地识别输入实例中的异常时间段，并通过动态时间扭曲对输入实例和其分割掩模进行对齐，获得时间分割的结果，并同时利用掩模作为附加监督进一步增强自身。实验证明，WETAS 在定位时间异常方面比其他基线方法表现更好，并且比点级别检测方法提供更多信息。

    Aug, 2021

  • 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

  • 利用异构时间序列数据的两阶段深度异常检测

    介绍了基于制造数据集的异常检测框架，该框架利用异质时间序列数据，提出了一个两阶段的深度异常检测 (TDAD) 框架，该框架在操作周期信号和传感器信号类型上采用了两种不同的无监督学习模型，并结合了其它特征，通过实验综合展示了其对于单级对照方法的优越性、模型无关性和鲁棒性。

    Feb, 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

  • 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

  • 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

  • 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