时间序列中的早期异常检测：一种用于预测危重健康事件的分层方法
机器学习
2020-10-23 v1 机器学习
摘要
在时间序列数据中早期检测异常事件在许多应用领域至关重要。本文处理危重健康事件，其构成医院重症监护单元中死亡的重要原因。及时预测这些事件对减轻其后果和改善医疗护理至关重要。应对早期异常检测问题最常用的方法之一是标准分类方法。本文提出一种利用分层学习架构处理这些任务的新方法。我们工作的一个关键贡献是预条件事件的概念，其表示感兴趣事件的任意但可计算的松弛版本。我们利用该思想将原始问题拆为两个分层，并假设其更易求解。结果表明，相较于最先进的危重健康事件预测方法，所提方法取得更优性能。
引用
@article{arxiv.2010.11595,
title = {Early Anomaly Detection in Time Series: A Hierarchical Approach for Predicting Critical Health Episodes},
author = {Vitor Cerqueira and Luis Torgo and Carlos Soares},
journal= {arXiv preprint arXiv:2010.11595},
year = {2020}
}