基于自编码器的CPPS数据降维与异常检测
机器学习
2020-10-29 v1
摘要
无监督异常检测（AD）是信息物理生产系统（CPPSs）领域的一个重要课题。一个密切相关的问题是降维（DR），其：1）常被用作AD解决方案中的预处理步骤，2）若提供观测对所学数据流形的符合性度量，则本身也是一种AD。我们认为这两方面在CPPS异常检测解决方案中可互为补充。在本工作中，我们聚焦于非线性自编码器（AE）作为一种DR/AD方法。本工作的贡献在于：1）我们考察了AE重构误差作为CPPS数据中AD决策准则的适用性。2）我们分析了其与AE潜空间中潜在第二阶段AD方法的关系。3）我们在三个真实世界数据集上评估了该方法的性能。此外，该方法性能优于最先进技术（SOTA），且应用相对简单直接。
引用
@article{arxiv.2010.14957,
title = {Dimensionality Reduction and Anomaly Detection for CPPS Data using Autoencoder},
author = {Benedikt Eiteneuer and Nemanja Hranisavljevic and Oliver Niggemann},
journal= {arXiv preprint arXiv:2010.14957},
year = {2020}
}
备注
Copyright IEEE 2019