基于集成技术的多元时间序列异常检测
机器学习
2023-08-08 v1 机器学习
摘要
多元时间序列中的异常检测是许多领域的一个主要问题。由于其性质，异常在真实数据中稀疏出现，因此使异常检测任务成为分类算法难以解决的挑战性问题。基于深度神经网络的方法，如 LSTM、Autoencoders、Convolutional Autoencoders 等，在此类不平衡数据中已显示出积极结果。然而，算法应用于多元时间序列时所面临的主要挑战是，异常可能源自特征集的一小部分子集。为提升这些基模型的性能，我们提出了一种特征装袋（feature-bagging）技术，每次仅考虑特征的子集，并进一步应用基于由主成分分析（PCA）计算的嵌套旋转变换，以改善方法的有效性与泛化能力。为进一步提升预测性能，我们提出了一种集成技术，将多个基模型组合以得出最终决策。此外，提出了一种使用 Logistic Regressor 组合基模型输出的半监督方法。所提方法应用于 Skoltech Anomaly Benchmark（SKAB）数据集，该数据集包含封闭回路中水流相关的时间序列数据，实验结果表明所提集成技术优于基础算法。更具体地，在异常检测准确率方面的性能提升，无监督模型达到 2%，半监督模型至少达到 10%。
引用
@article{arxiv.2308.03171,
title = {Detection of Anomalies in Multivariate Time Series Using Ensemble Techniques},
author = {Anastasios Iliopoulos and John Violos and Christos Diou and Iraklis Varlamis},
journal= {arXiv preprint arXiv:2308.03171},
year = {2023}
}
备注
Accepted for publication in the 2023 IEEE Big Data Service conference