基于空间感知回声状态网络的混沌时间序列自适应异常检测
神经与进化计算
2019-09-05 v1 机器学习
机器学习
摘要
本工作构建了一种面向混沌时间序列、更具体地针对湍流高维海洋模拟的自动化异常检测方法。我们通过空间感知输入映射（如卷积、梯度、余弦变换等）以及空间感知损失函数扩展回声状态网络（Echo State Network）来解决该任务。空间ESN用于生成预测，从而将检测问题简化为预测误差的阈值化处理。我们在难度递增的不同任务上对所提检测框架进行基准测试，以展示其通用性，随后将其应用于日本洋流黑潮区域原始气候模式输出，该区域呈现肉眼不易察觉的双峰性。代码以开源Python包Torsk形式提供，地址为 https://github.com/nmheim/torsk，其中我们还提供了补充材料与可复现本文结果的程序。
引用
@article{arxiv.1909.01709,
title = {Adaptive Anomaly Detection in Chaotic Time Series with a Spatially Aware Echo State Network},
author = {Niklas Heim and James E. Avery},
journal= {arXiv preprint arXiv:1909.01709},
year = {2019}
}