基于联合统计矩的科学生数据异常检测
计算物理
2019-05-01 v1
摘要
我们提出了一种基于高阶联合矩分析的多变量科学生数据异常检测方法。利用峰度作为离群值的可靠度量，我们提出主峰度向量（类似于主成分分析（PCA）向量）表示离群值出现的主方向。那么，异常的出现表现为峰度主值和向量的变化。获取主峰度向量需要分解四阶联合累积量张量，为此我们采用一种简单、计算代价较低的方法，即对矩阵化后的张量执行奇异值分解（SVD）。我们在合成数据上证明了该方法的有效性，并开发了一种算法来识别科学现象中空间性和/或时间性异常事件的发生。该算法将数据分解为若干空间子域和时间步，以识别发生此类事件的子区域。基于主峰度向量对齐的特征矩度量在每个子域和时间步针对所有特征进行计算，以量化它们对数据中总体峰度的相对重要性。据此，利用特征矩度量分布与合适标称分布的 Hellinger 距离，提出了每个子域的空间和时间异常度量。我们将该算法应用于一维湍流自燃燃烧算例，并证明异常度量能够可靠地在正确的时间步捕获相关空间子域中自燃的发生。
引用
@article{arxiv.1808.04498,
title = {Anomaly detection in scientific data using joint statistical moments},
author = {Konduri Aditya and Hemanth Kolla and W. Philip Kegelmeyer and Timothy M. Shead and Julia Ling and Warren L. Davis},
journal= {arXiv preprint arXiv:1808.04498},
year = {2019}
}