BSSAD：面向多元时间序列异常检测的贝叶斯状态空间新方法
机器学习
2023-01-31 v1 人工智能
摘要
在许多领域中，检测多元时间序列（MTS）数据中的异常起着重要作用。异常值可能指示事件、医学异常、网络攻击或故障设备，若未被发现可能导致资源、资本或生命的重大损失。在本文中，我们提出一种新颖且创新的异常检测方法，称为贝叶斯状态空间异常检测（BSSAD）。BSSAD 由两个模块组成：神经网络模块和贝叶斯状态空间模块。我们的方法设计结合了贝叶斯状态空间算法在预测下一状态方面的优势，以及循环神经网络和自编码器在理解数据间关系方面的有效性，从而实现高精度的异常检测。我们方法的模块化设计允许实现的灵活性，可选择更改贝叶斯状态空间模型的参数或替换神经网络算法以达到不同水平的性能。特别地，我们专注于使用粒子滤波和集合卡尔曼滤波的贝叶斯状态空间模型。我们在五个不同数据集上进行了广泛实验。实验结果表明我们的模型优于基线，取得了大于 0.95 的 F1 分数。此外，我们还提出使用一种称为马修斯相关系数（MCC）的度量来获得关于异常检测准确性的更全面信息。
引用
@article{arxiv.2301.13031,
title = {BSSAD: Towards A Novel Bayesian State-Space Approach for Anomaly Detection in Multivariate Time Series},
author = {Usman Anjum and Samuel Lin and Justin Zhan},
journal= {arXiv preprint arXiv:2301.13031},
year = {2023}
}