概念漂移环境下的自适应异常检测：延伸报告

概念漂移在时间序列异常检测中带来挑战。虽然异常由数据中不希望的变化引起，但由于发生频率不同、正常模式发生的不同时间间隔以及确定分离正常与异常序列边界的相似性阈值，区分异常变化与变化的正常行为困难。区分概念漂移与异常至关重要，因为研究表明，下游任务中的误差传播的复合效应会导致检测精度下降以及由于不必要的模型更新而增加的开销。不幸的是，现有工作大多在孤立情况下探索异常检测和概念漂移检测。我们引入AnDri，一个针对漂移环境下的异常检测框架。AnDri引入动态正常模型的概念，其中正常模式被激活、停用或新增，从而提供灵活性以适应随时间演变的概念漂移和异常。我们引入一种新的聚类方法——相邻层次聚类 (AHC)，用于学习尊重其时间局部性的正常模式；对于检测那些被现有方法忽略的短暂但重复出现的模式至关重要。我们的评估显示，AnDri在使用具有不同类型、比例和分布的概念漂移和异常的真实数据集上超越了现有基线方法。