无训练时间序列异常检测:利用图像基础模型
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
本文提出了一种基于生成对抗网络(GANs)的无监督异常检测方法——TadGAN。TadGAN利用长短时记忆网络(LSTM)作为生成器和评论家的基础模型以捕获时间序列数据的时间相关性,并通过循环一致性损失进行训练,以实现有效的时间序列数据重构。此外,该方法还提出了计算重构误差的几种新方法,以及不同的方法来组合重构误差和评论家输出以计算异常得分。实验结果表明TadGAN能够有效地检测异常,并在大多数情况下(11个数据集中的6个)胜过基线方法。
Sep, 2020
通过结合多元时间序列表示学习的最新发展和最初为计算机视觉开发的深度异常检测技术,我们引入了神经上下文异常检测(NCAD)框架,该框架可无缝地从无监督到监督设置扩展,可应用于单变量和多变量时间序列。我们的窗口式方法通过将通用合成异常注入到可用数据中来促进学习正常和异常类之间的边界,并且我们的方法可以在半监督的情况下有效地利用所有可用的信息。我们在标准基准数据集上进行了实证,证明了我们的方法在这些设置中获得了最先进的性能。
Jul, 2021
本文系统评估了多种无监督和半监督的基于深度学习的方法,针对来自物联网系统的多维时间序列数据进行异常检测和诊断。通过实验,我们提出了评估时间序列异常检测的组合F-score ($Fc_1$) 度量,该度量考虑了异常事件的相关性和检测器的复杂性。实验结果表明,通过动态评分函数,相比静态评分函数,更能提高检测的准确性。而在具体的评分函数的选择上,往往比基本模型的选择更为重要。最后通过实验,我们发现了一个简单而有效的检测器,即基于单变量完全连接的自编码器,并采用动态高斯评分函数。该检测器在异常检测和诊断方面胜过了现有的算法。
Sep, 2021
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
TADNet 是一种端到端的传统时间序列异常检测模型,利用季节-趋势分解将各种类型的异常链接到特定的分解组件,从而简化复杂时间序列的分析,并提高检测性能。
Sep, 2023
扩散模型在多元时间序列异常检测中显示出潜力,通过比较基线模型和使用ROCK-AUC指标扩展的PA%K协议,在合成数据集上表现优于其他模型,在真实世界数据集上表现竞争力。
Nov, 2023
利用三领域异常检测(TriAD)的自主学习方法,本文通过对UCR数据集的实验结果,相比于最先进的深度学习模型,实现了基于PA%K F1分数的三倍提升,并相比于最先进的不和谐发现算法,实现了50%准确率的提升。
Nov, 2023
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(TAD)研究中存在评估指标缺陷、不一致的基准测试实践以及对新颖深度学习模型设计选择的缺乏合理的论证。本文对TAD中的现状进行了批判性分析,揭示了当前研究的误导轨迹,并突出了存在问题的方法及评估实践。我们的观点主张从仅追求模型设计的新颖性转向改进基准测试实践、构建非平凡数据集,并重新强调研究模型架构在特定任务中的实用性。我们的发现表明需要严格的评估协议、创建简单的基线,并揭示现有最先进的深度异常检测模型实际上只是学习线性映射。这些发现表明需要更多探索和开发简单且可解释的TAD方法。遗憾的是,现有最先进的深度学习模型的复杂性增加带来的改进很少。我们提供对该领域前进的见解和建议。
May, 2024