基于强化学习、变分自编码器和主动学习的时间序列异常检测
机器学习
2025-04-07 v1
摘要
本文提出一种用于检测时间序列数据中异常值的新方法。该方法在数据中心、传感器网络和金融等领域具有重要应用价值。传统方法常面临手动调参困难且无法适应新型异常类型的挑战。我们的方法通过集成深度强化学习 (DRL) 与变分自编码器 (VAE) 以及主动学习，克服了上述局限性。结合长短期记忆网络 (LSTM)，该方法能够有效建模序列数据及其依赖关系，从而以最小的标记数据检测新的异常类别。我们创新的 DRL-VAE 与主动学习组合显著优于现有方法，实验在真实数据集上的评估表明，本方法在提升异常检测技术方面具有积极作用，推动了时间序列分析的发展。
引用
@article{arxiv.2504.02999,
title = {Anomaly Detection in Time Series Data Using Reinforcement Learning, Variational Autoencoder, and Active Learning},
author = {Bahareh Golchin and Banafsheh Rekabdar},
journal= {arXiv preprint arXiv:2504.02999},
year = {2025}
}