一种用于同构周期时间序列数据集广义异常检测的数据集融合算法
机器学习
2024-10-28 v1 人工智能
信号处理
摘要
神经网络（NN）对多个数据集的泛化在文献中常被忽视，因为NN通常针对特定数据源进行优化。这在基于时间序列的多数据集模型中尤为具有挑战性，原因在于难以融合来自不同传感器与采集规范的序列数据。然而，在商业环境中，泛化可以有效利用可用数据与计算能力，这在绿色AI（可持续开发AI模型的背景）中至关重要。本文提出“数据集融合”，一种新颖的数据集组合算法，用于将来自多个同构数据集的周期信号融合为单一数据集，同时保留用于广义异常检测的独特特征。所提方法在一个案例研究中进行了测试，该案例使用无监督LSTMCaps NN对来自2个不同同构感应电机（IM）故障数据集的三相电流数据进行研究，其以0.879的平均F1分数显著优于常规训练方法，并有效泛化至所有数据集。所提方法还按照绿色AI原则，使用不同百分比的训练数据进行了测试。结果表明，仅使用6.25%的训练数据（相当于计算能力降低93.7%）仅导致性能下降4.04%，展示了所提方法在性能与计算效率两方面的优势。此外，该算法在非理想条件下的有效性凸显了其在现实应用中的实用潜力。
引用
@article{arxiv.2305.08197,
title = {A Dataset Fusion Algorithm for Generalised Anomaly Detection in Homogeneous Periodic Time Series Datasets},
author = {Ayman Elhalwagy and Tatiana Kalganova},
journal= {arXiv preprint arXiv:2305.08197},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication