基于集成神经进化方法的多变量时间序列异常检测
机器学习
2021-11-24 v1 人工智能
摘要
多变量时间序列异常检测是故障预防领域中一个非常常见的问题。快速预防意味着更低的维修成本与损失。新型工业系统中传感器数量之多使得异常检测过程对人类而言相当困难。自动化检测异常过程的算法在现代故障预防系统中至关重要。因此，许多机器学习和深度学习模型被设计用来解决此问题。它们大多是带有一些生成对抗元素的基于自编码器的架构。在这项工作中，展示了一个融合神经进化方法来提升新型及已知模型的异常检测分数的框架。所提出的方法适配进化策略以演化集成模型，其中每一个单一模型作用于一个数据传感器子组。神经进化的下一个目标是优化架构与超参数，如窗口大小、层数、层深度等。所提框架表明，在合理时间与全自动化模式下提升大多数异常检测深度学习模型是可能的。测试在 SWAT 和 WADI 数据集上运行。据我们所知，这是首个以全自动化方式使用神经进化策略构建集成深度学习异常检测模型的方法。
引用
@article{arxiv.2108.03585,
title = {Ensemble neuroevolution based approach for multivariate time series anomaly detection},
author = {Kamil Faber and Dominik Żurek and Marcin Pietroń and Kamil Piętak},
journal= {arXiv preprint arXiv:2108.03585},
year = {2021}
}