用于时间序列建模与异常检测的深度基线网络
机器学习
2022-10-11 v2
摘要
近年来深度学习在时间序列中的应用日益增多。对于时间序列异常检测场景，如金融、物联网、数据中心运维等，时间序列通常依据各种外部因素呈现出非常灵活的基线。异常通过远离基线而显现自身。然而，由于包括基线漂移、缺乏标签、噪声干扰、流数据实时检测、结果可解释性等在内的若干挑战，检测并非总是容易。本文中，我们开发了一种新颖的深度架构以恰当地从时间序列中提取基线，即深度基线网络（DBLN）。利用该深度网络，我们可轻松定位基线位置，进而提供可靠且可解释的异常检测结果。在合成与公开真实世界数据集上的实证评估表明，我们的纯无监督算法相较 SOTA 方法取得了更优性能，并具有良好的实际应用价值。
引用
@article{arxiv.2209.04561,
title = {Deep Baseline Network for Time Series Modeling and Anomaly Detection},
author = {Cheng Ge and Xi Chen and Ming Wang and Jin Wang},
journal= {arXiv preprint arXiv:2209.04561},
year = {2022}
}