面向顺序随机有限集观测的自适应异常点模式检测
机器学习
2025-11-25 v1
摘要
本文提出一种 novel 的自适应异常检测框架，专为监控顺序随机有限集 (RFS) 观测而设计。该方法有效地通过检测过程预期统计行为的偏离，来区分处于控制状态的数据 (正常) 和超出控制状态的数据 (异常)。本研究的主要贡献包括：开发一种创新的 RFS 基方法，不仅能在线学习数据生成过程的正常行为，还能动态适应行为变化，以准确识别异常点模式。为此，我们引入了一种新的 RFS 基于后验分布类，称为功率贴现后验 (Power Discounting Posteriors, PD)，该方法在数据发生系统性变化时促进适应性，并通过一种新的预测后验密度函数实现对点模式数据的异常检测。通过大量定性和定量仿真实验，证明了所提出方法的有效性。
引用
@article{arxiv.2506.23802,
title = {Adaptive Out-of-Control Point Pattern Detection in Sequential Random Finite Set Observations},
author = {Konstantinos Bourazas and Savvas Papaioannou and Panayiotis Kolios},
journal= {arXiv preprint arXiv:2506.23802},
year = {2025}
}
备注
23rd European Control Conference (ECC 2025), Thessaloniki, Greece, 24-27 June 2025