当前时间序列异常检测基准存在缺陷并制造了进展的假象

Renjie Wu; Eamonn J. Keogh

doi:10.1109/TKDE.2021.3112126 10.1109/ICDE53745.2022.00116

当前时间序列异常检测基准存在缺陷并制造了进展的假象

机器学习 2022-09-07 v5 机器学习

作者: Renjie Wu , Eamonn J. Keogh

在 arXiv 上查看 ↗ PDF ↗ DOI ↗

摘要

时间序列异常检测一直是数据科学中常年重要的主题，相关论文可追溯至 20 世纪 50 年代。然而近年来该主题兴趣激增，其中很大程度由深度学习在其他领域及其他时间序列任务上的成功所驱动。这些论文大多在由 Yahoo、Numenta、NASA 等创建的少数流行基准数据集中的一个或多个上测试。在本文中我们提出一个令人惊讶的主张：这些数据集中的大多数个体样本存在四种缺陷之一或多个。由于这四种缺陷，我们认为许多已发表的异常检测算法比较可能不可靠，且更重要的是，近年来的许多表面进展可能是虚幻的。除证明这些主张外，我们借本文引入 UCR 时间序列异常档案。我们相信该资源将发挥与 UCR 时间序列分类档案类似的作用，通过为学界提供允许方法间有意义比较及整体进展有意义衡量的基准。

关键词

时间序列异常检测基准数据集深度学习 UCR 档案有缺陷的评估算法比较

引用

@article{arxiv.2009.13807,
  title  = {Current Time Series Anomaly Detection Benchmarks are Flawed and are Creating the Illusion of Progress},
  author = {Renjie Wu and Eamonn J. Keogh},
  journal= {arXiv preprint arXiv:2009.13807},
  year   = {2022}
}

备注

Full paper accepted by IEEE TKDE, extended abstract accepted by IEEE ICDE 2022