OML-AD:基于在线机器学习的时间序列异常检测
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
本文提供了关于时间序列分析的最重要开源工具的简明易懂的概述,并通过架构和定义主要功能来描述典型的时间序列分析框架,并将工具基于分析任务、数据准备和结果评估方法进行分类和量化分析。
Mar, 2022
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
提出RoLA——一种基于分治策略、并行处理和大多数原则的实时在线轻量级多变量时间序列异常检测系统, 以监视多变量时间序列,动态地在运行时确定变量之间的相关性,然后根据大多数原则联合检测异常。通过一个基于公共数据集的试验,证明RoLA提供了令人满意的检测准确性和轻量级性能。
May, 2023
本研究提出了一种新方法,名为多变量开放式时间序列异常检测(MOSAD),旨在解决开放式时间序列异常检测问题,该问题在训练阶段可见一小部分有标签的异常样本,测试阶段需要检测到既有的异常类别又有未知的异常类别,并通过在特征提取、多头网络和异常评分模块等方面的创新实现在时间序列异常检测领域的全新的最佳性能。
Oct, 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
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。
Aug, 2024
本研究处理了时间序列数据中异常检测的重要挑战,传统方法往往低估了延迟时间和异常视野的作用。提出一种新的异常预测方法,将时间信息直接融入预测结果中,实验结果显示该方法在提供及时和准确的异常预测方面具有显著优势,为未来相关研究设定了新基准。
Aug, 2024
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。
Aug, 2024