用于多元时间序列数据深度学习事件检测与 NLP 信息检索的综合 Python 库
机器学习
2023-12-19 v2
摘要
时间序列数据中的事件检测在金融、医疗、网络安全和科学等多个领域至关重要。准确识别时间序列数据中的事件对于做出明智决策、检测异常和预测未来趋势十分重要。尽管已有大量研究探索时间序列事件检测的各种方法，其中深度学习方法最为先进，但该领域仍有改进和创新空间。本文提出一种用于多元时间序列数据事件检测的新深度学习监督方法。与现有深度学习监督方法相比，我们的方法结合了四个不同创新点。首先，它基于回归而非二分类。其次，它不需要每个点都被标记的数据集；相反，它仅需要定义为时间点或时间区间的参考事件。第三，它通过使用结合从经典前馈神经网络（FFN）到 Transformer 等最先进架构的深度学习模型的堆叠集成学习元模型来设计得稳健。这种集成方法可缓解单个模型的弱点和偏差，从而产生更稳健的预测。最后，为便于实际实现，我们开发了伴随所提方法的 Python 包。该包称为 eventdetector-ts，可通过 Python Package Index（PyPI）安装。本文中我们提出该方法并提供关于包使用的综合指南。我们通过从自然语言处理（NLP）到金融安全领域的不同真实用例展示其通用性和有效性。
引用
@article{arxiv.2310.16485,
title = {A Comprehensive Python Library for Deep Learning-Based Event Detection in Multivariate Time Series Data and Information Retrieval in NLP},
author = {Menouar Azib and Benjamin Renard and Philippe Garnier and Vincent Génot and Nicolas André},
journal= {arXiv preprint arXiv:2310.16485},
year = {2023}
}
备注
2023 International Conference on Machine Learning and Applications (ICMLA)