时间序列中异常检测器选择与微调的自适应方法
机器学习
2019-07-19 v1 机器学习
摘要
时间序列异常检测是时间序列数据挖掘的热点。不同异常检测器自身的特性决定了它们各自擅长的异常数据。不存在能在所有类型异常上都最优的检测器。此外，由于诸如单一检测器无法在同一时间序列的不同时间窗上均最优等问题，工业界应用仍存在困难。本文提出一种基于时间序列特征并选择合适检测器及运行时参数进行异常检测的自适应模型，称为ATSDLN（自适应时间序列检测器学习网络）。我们将时间序列作为模型输入，通过FCN学习时间序列表示。为实现根据输入时间序列自适应选择检测器和运行时参数，FCN的输出作为两个子网络的输入：检测器选择网络和运行时参数选择网络。此外，参数选择子网络的可变层宽设计以及引入迁移学习使模型具有更好的可扩展性。实验发现，ATSDLN能选择合适的异常检测器和运行时参数，且具有强可扩展性，可快速迁移。我们在公开数据集上考察了ATSDLN的性能，所提方法在大多数情况下以更高效果和更好适应性优于其他方法。我们也展示了公开数据集上的实验结果，以说明模型结构与迁移学习如何影响有效性。
引用
@article{arxiv.1907.07843,
title = {An Adaptive Approach for Anomaly Detector Selection and Fine-Tuning in Time Series},
author = {Hui Ye and Xiaopeng Ma and Qingfeng Pan and Huaqiang Fang and Hang Xiang and Tongzhen Shao},
journal= {arXiv preprint arXiv:1907.07843},
year = {2019}
}
备注
7 pages, 5 figures it has been accepted to DLP-KDD 2019 workshop