ALGAN：基于调整型 LSTM GAN 的时间序列异常检测
机器学习
2025-05-27 v2 人工智能
摘要
时间序列数据中的异常检测，即识别偏离正常行为的点，是制造、医学成像和网络安全等多个领域的常见问题。最近，生成对抗网络（GANs）被证明能有效检测时间序列数据中的异常。GANs 的神经网络架构（即生成器和判别器）可显著提高异常检测精度。本文提出一种名为调整型 LSTM GAN（ALGAN）的新 GAN 模型，该模型在无监督设定下调整 LSTM 网络的输出，以改进单变量和多变量时间序列数据的异常检测。我们在 46 个真实世界单变量时间序列数据集和一个跨多个领域的大型多变量数据集上评估了 ALGAN 的性能。实验表明，ALGAN 在时间序列数据异常检测上优于传统的、基于神经网络的方法以及其他基于 GAN 的方法。
引用
@article{arxiv.2308.06663,
title = {ALGAN: Time Series Anomaly Detection with Adjusted-LSTM GAN},
author = {Md Abul Bashar and Richi Nayak},
journal= {arXiv preprint arXiv:2308.06663},
year = {2025}
}
备注
Int J Data Sci Anal (2025)