用于时空异常检测的最大散度区域发现
机器学习
2019-07-24 v2 计算机视觉与模式识别
机器学习
应用统计
摘要
对随空间和时间变化的测量值进行自动异常检测是多个领域的重要工具，例如欺诈检测、气候分析或医疗监测。我们提出一种用于检测多变量时空时间序列中异常区域的算法，可在包括视频与文本数据的大量数据中定位有趣部分。与现有的检测孤立异常数据点的技术相反，我们提出“最大散度区间”（MDI）框架，用于无监督地检测与其他所有给定数据相比具有较高 Kullback-Leibler 散度的连贯空间区域与时间区间。为此，我们定义了一种无偏 Kullback-Leibler 散度，可对大小不同的区域进行排序，并展示了如何利用区间提议技术使算法在合理时间内运行于大规模数据集。在气候分析、视频监控和文本取证等多个领域的合成与真实数据上的实验表明，我们的方法具有广泛适用性，是发现不同类型数据中有趣事件的有价值工具。
引用
@article{arxiv.1804.07091,
title = {Detecting Regions of Maximal Divergence for Spatio-Temporal Anomaly Detection},
author = {Björn Barz and Erik Rodner and Yanira Guanche Garcia and Joachim Denzler},
journal= {arXiv preprint arXiv:1804.07091},
year = {2019}
}
备注
Accepted by TPAMI. Examples and code: https://cvjena.github.io/libmaxdiv/