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
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
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
本研究旨在通过使用Transformer模型中的Self-Attention机制来解决无监督时间序列数据中异常点检测问题,策略是基于异常点的相邻时间点建立关联,使其排除与整个时间序列的关系,通过计算不同点的关联度来判断是否为异常点,并在六个应用领域中取得了最佳表现。
Oct, 2021
本研究提出了一种结合Monte Carlo EM技术的神经网络模型,能够显式地识别和处理时间序列数据中的异常点,通过将潜在的异常点指示变量引入到模型中,提高了模型在标准数据集上的表现。
Dec, 2021
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
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
本文针对时间序列异常检测中的研究空白,提出了一种新的分类法,区分在线与离线、训练与推断。通过对现有的模型基础在线半监督和无监督异常检测方法的全面概述,指出了在基准测试中存在的挑战,并强调了解决评估指标及数据集缺陷的重要性,以推动该领域的实际应用。
Aug, 2024
本研究针对传统方法在时间序列异常检测中忽视延迟时间和异常视野的不足,提出了一种新的异常预测方法,并将时间信息直接融入预测结果中。研究表明,该方法能够提供及时和准确的异常预测,对未来相关研究具有重要影响。
本研究针对多变量时间序列中的异常检测问题,提出了一种新的分类方法,区分了在线与离线、训练与推理的概念。文章详细分析了当前模型基础的在线半监督和无监督异常检测方法,指出了在基准测试方面面临的重大挑战,并提出改善评估指标和检测阈值选择的必要性,这为未来的研究提供了重要的方向。