Jul, 2024
利用特征聚类增强变分自编码器与动态阈值的异常检测
Harnessing Feature Clustering For Enhanced Anomaly Detection With
Variational Autoencoder And Dynamic Threshold
TL;DR我们介绍了一种用于多变量时间序列数据的异常检测方法，旨在识别关键时期和影响极端气候事件（如北极融雪）的特征。该方法利用集成了动态阈值和基于相关性的特征聚类的变分自动编码器（VAE）。该框架增强了VAE在气候数据中识别局部依赖性和学习时间关系的能力，从而提高了异常检测的准确性，如其在基准数据集上得到的更高F1得分所证明。本研究的主要贡献包括开发出一种稳健的异常检测方法，通过聚类改进VAE中的特征表示，并创建了一种用于局部异常检测的动态阈值算法。这种方法可以解释不同地区气候异常的原因。