探索降维对多变量时间序列异常检测性能的影响
机器学习
2024-03-08 v1
摘要
本文对降维技术与先进的无监督时间序列异常检测模型（重点关注 MUTANT 和 Anomaly-Transformer 模型）的结合进行了广泛的实证研究。该研究涉及在三个不同的数据集（MSL、SMAP 和 SWaT）上进行综合评估。每个数据集都构成了独特的挑战，从而能够在不同情境下对模型的能力进行稳健评估。所考察的降维技术包括 PCA、UMAP、随机投影和 t-SNE，每种技术在简化高维数据方面都具有独特的优势。我们的研究结果表明，降维不仅有助于降低计算复杂度，而且在某些情况下还能显著提升异常检测性能。此外，我们观察到训练时间显著减少：当维度减半和降至最低维度时，训练时间分别减少了约 300% 和 650%。这种效率的提升突显了降维在性能增强和运行效率两方面的双重优势。MUTANT 模型表现出显著的适应性，尤其是在使用 UMAP 降维时；而 Anomaly-Transformer 则在各种降维技术中展现出通用性。这些见解为降维与异常检测的协同效应提供了更深入的理解，为时间序列分析领域贡献了宝贵的视角。该研究强调了根据特定模型需求和数据集特征选择合适降维策略的重要性，为异常检测中更高效、准确和可扩展的解决方案铺平了道路。
引用
@article{arxiv.2403.04429,
title = {Exploring the Influence of Dimensionality Reduction on Anomaly Detection Performance in Multivariate Time Series},
author = {Mahsun Altin and Altan Cakir},
journal= {arXiv preprint arXiv:2403.04429},
year = {2024}
}
备注
Submitted to Machine Learning