May, 2024

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

PDF
TL;DR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。
fault detectionanomaly detectionpredictive maintenancesequential pattern similaritiesalert recall objective function
发现论文，激发创造
  • 多元设备网络中高效基于模式的异常检测

    提出一种可扩展的方法来检测异类行为，包括从关系网络中恢复实体间的关系，基于顺序模式挖掘的异常报告，并扩展顺序模式挖掘以过滤顺序模式。该方法在 9 个基准数据集上表现出显著优势，同时还比最先进的异常检测方法快一个数量级。

    May, 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

  • 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

  • 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

  • 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

  • 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

    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。

    Dec, 2023

  • 时序异常检测；在具有有限特征和稀疏样本的嘈杂高周期数据中检测异常降落

    该研究使用 TensorFlow 学习不同模型包括 DNNs, RNNs, 和 LSTMs 进行回归，并使用异常检测应用这些模型到具有噪音周期性的流量数据上，提高了检测周期性流量峰谷异常的准确度。

    Aug, 2017

  • 使用序列到序列神经网络进行工业控制系统的异常检测

    本研究提出了一种工业控制系统（ICS）操作数据的异常检测方法，采用序列到序列的神经网络进行训练与预测，解读其时间序列特征。该方法仅需要正常数据集，即可了解 ICS 的正常状态并检测异常。使用 SWaT 数据集进行评估，并检测出了 36 次攻击中的 29 次和 53 个攻击点中的 25 个，对实验结果的误警与漏警进行了详细分析。

    Nov, 2019

  • 原型在时间序列异常检测中的解释作用

    该论文提出了一种名为 ProtoAD 的模型，使用基于示例的原型来解释深度模型中的正常模式状态，旨在提高深度模型的透明度和可理解性，进一步提高异常检测的精度和性能。

    Jul, 2023

  • 基于图神经网络的多元时间序列异常检测

    提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

    Jun, 2021