用于时间序列异常检测的深度学习：综述
机器学习
2024-09-04 v3 人工智能
摘要
时间序列异常检测在包括制造和医疗保健在内的广泛研究领域和应用中具有应用前景。异常的存在可以指示新颖或意外的事件，例如生产故障、系统缺陷或心脏扑动，因此备受关注。时间序列庞大的数据量和复杂的模式促使研究人员开发专门的深度学习模型来检测异常模式。本综述侧重于通过使用深度学习，提供结构化且全面的最先进的时间序列异常检测模型。它提供了一个基于将异常检测模型划分为不同类别的因素的分类法。除了描述每个类别的基本异常检测技术外，还讨论了其优点和局限性。此外，本研究包含了近年来各个应用领域中时间序列深度异常检测的示例。最后总结了研究中的开放性问题以及采用深度异常检测模型所面临的挑战。
引用
@article{arxiv.2211.05244,
title = {Deep Learning for Time Series Anomaly Detection: A Survey},
author = {Zahra Zamanzadeh Darban and Geoffrey I. Webb and Shirui Pan and Charu C. Aggarwal and Mahsa Salehi},
journal= {arXiv preprint arXiv:2211.05244},
year = {2024}
}
备注
42 pages, 12 figures, 5 tables