DeepFIB：用于时间序列异常检测的自补全方法
机器学习
2021-12-14 v1 人工智能
摘要
时间序列（TS）异常检测（AD）在各种应用中起着重要作用，例如金融中的欺诈检测和医疗监控。由于异常固有的不可预测和高度多变性以及历史数据中异常标签的缺乏，AD问题通常被表述为无监督学习问题。现有方案的性能常不令人满意，尤其在数据稀缺场景下。为解决此问题，我们提出一种新颖的用于时间序列AD的自监督学习技术，即\emph{DeepFIB}。我们将问题建模为\emph{填空}游戏，通过掩码TS中某些元素并用其余部分补全它们。考虑到TS数据中两种常见异常形状（点离群或序列离群），我们实现了两种掩码策略并生成许多自生成训练样本。相应的自补全网络能比现有AD方案提取更鲁棒的时间关系，并有效辅助识别两类异常。对于连续离群，我们还提出一种异常定位算法，大幅降低AD误差。在多个真实世界TS数据集上的实验表明，DeepFIB大幅优于最先进方法，在F1分数上取得高达的相对提升。
引用
@article{arxiv.2112.06247,
title = {DeepFIB: Self-Imputation for Time Series Anomaly Detection},
author = {Minhao Liu and Zhijian Xu and Qiang Xu},
journal= {arXiv preprint arXiv:2112.06247},
year = {2021}
}