探索优化超参数对基于 Bi-LSTM 的情境异常检测器的影响
机器学习
2025-01-28 v1 人工智能
摘要
随着互联网物联网在日常生活中的使用量的指数级增长，导致时间序列数据生成量急剧增加。智能家居是其中一个数据生成量大的领域，异常检测是近年来研究者所面临的众多挑战之一。情境异常是一种可能显示与正常模式（如点异常或序列异常）偏差的异常，但它还需要对数据领域和导致偏差的行为的先验知识。最近的研究表明，基于递归神经网络（RNN）的研究在异常检测方面表现出色。本研究通过提出带优化超参数的 UoCAD（UoCAD-OH）来探索自动调优超参数对基于 Bi-LSTM 的无监督在线情境异常检测（UoCAD）方法的影响。UoCAD-OH 在离线阶段对 Bi-LSTM 模型进行超参数优化，并使用微调后的超参数在在线阶段检测异常。实验涉及在两个智能家居空气质量数据集上对所提出框架进行评估，其中包含情境异常。所采用的评估指标为精确率、召回率和 F1 分数。
引用
@article{arxiv.2501.15053,
title = {Exploring the impact of Optimised Hyperparameters on Bi-LSTM-based Contextual Anomaly Detector},
author = {Aafan Ahmad Toor and Jia-Chun Lin and Ernst Gunnar Gran},
journal= {arXiv preprint arXiv:2501.15053},
year = {2025}
}
备注
6 pages, 1 figure