评估实时异常检测算法——Numenta异常基准
人工智能
2016-11-17 v4 机器学习
摘要
世界上大部分数据是流式的时序数据，其中异常在关键情况下提供重要信息；在金融、IT、安全、医疗和能源等领域有大量实例。然而，在流式数据中检测异常是一项困难任务，要求检测器实时而非分批处理数据，并在进行预测的同时学习。目前没有基准来充分测试和评分实时异常检测器的效能。在此我们提出Numenta异常基准（NAB），其试图提供一个受控且可重复的开源工具环境，用于在流式数据上测试和度量异常检测算法。完美的检测器将尽快检测所有异常，不触发误报，跨多种领域处理真实世界时序数据，并自动适应变化的统计特性。NAB中使用为流式数据设计的评分算法将这些特性形式化奖励。NAB在带有标签的真实世界时序数据的基准数据集上评估检测器。我们呈现这些组件，并给出若干开源、商业使用的算法的结果与分析。NAB的目标是提供一个标准的开源框架，供研究界比较和评估用于检测流式数据中异常的不同算法。
引用
@article{arxiv.1510.03336,
title = {Evaluating Real-time Anomaly Detection Algorithms - the Numenta Anomaly Benchmark},
author = {Alexander Lavin and Subutai Ahmad},
journal= {arXiv preprint arXiv:1510.03336},
year = {2016}
}
备注
14th International Conference on Machine Learning and Applications (IEEE ICMLA), 2015. Fixed typo in equation and formatting