基于双核化评分与矩阵核的异常检测与定位
机器学习
2020-12-16 v1
摘要
异常检测对于由多个设备、网络和/或工厂组成的大规模系统的正确与安全运行是必要的。此类系统通常由一对多变量数据集刻画。为了检测此类系统中的异常并定位与异常相关的元素，需要估计量化整个系统及其元素异常程度的分数。然而，考虑到彼此强相关的元素之间关系的变化来估计此类分数并非易事。此外，为了识别分数之间的关系以定位与异常相关的元素，有必要从单一框架中估计整个系统及其元素的分数。在此，我们开发了一种同时量化整个系统及其元素异常程度的新方法。本文的目的有三方面。其一是提出一种新的异常检测方法：双核化评分（Double Kernelized Scoring, DKS）。DKS 是用于整个系统异常评分和元素级异常评分的统一框架。因此，DKS 可同时执行 1) 整个系统的异常检测和 2) 用于识别导致系统异常的故障元素的定位。第二项目的为提出一种新的核函数：矩阵核（Matrix Kernel）。矩阵核定义于可能具有不同维度的一般矩阵之间，从而允许对元素数量随时间变化的系统执行异常检测。第三项目的为通过实验证明所提方法的有效性。我们使用合成和真实时间序列数据对所提方法进行了评估。结果表明，DKS 能够成功检测异常并定位与之相关的元素。
引用
@article{arxiv.2012.08100,
title = {Anomaly Detection and Localization based on Double Kernelized Scoring and Matrix Kernels},
author = {Shunsuke Hirose and Tomotake Kozu and Yingzi Jin},
journal= {arXiv preprint arXiv:2012.08100},
year = {2020}
}
备注
15 pages and 3 figures. A translation of "Anomaly Detection based on Doubly-Kernelized Scoring and Matrix Kernels" by Shunsuke Hirose and Tomotake Kozu (This article is written in Japanese). DOI: https://doi.org/10.1527/tjsai.AI30-D