FedTADBench：联邦时间序列异常检测基准
机器学习
2022-12-20 v1
摘要
时间序列异常检测致力于从时序数据中发现潜在的异常行为和模式，在多种应用场景中具有根本性的重要意义。构建一个有效的检测模型通常需要以集中方式存储的充足训练数据，然而，这一要求在现实场景中有时无法满足。作为解决上述问题的一种主流方法，联邦学习已展现出其利用可用分布式数据同时保护数据提供者隐私的能力。然而，目前尚不清楚现有的时间序列异常检测算法在通过联邦学习进行去中心化数据存储和隐私保护时的表现如何。为了研究这一点，我们构建了一个联邦时间序列异常检测基准，名为FedTADBench，它涉及五种代表性的时间序列异常检测算法和四种流行的联邦学习方法。我们希望回答以下问题：（1）时间序列异常检测算法在遇到联邦学习时性能如何？（2）哪种联邦学习方法最适合时间序列异常检测？（3）联邦时间序列异常检测方法在客户端数据的不同划分上表现如何？通过在各种设置下进行的大量实验，我们提供了大量的结果以及相应的分析。我们基准的源代码在https://github.com/fanxingliu2020/FedTADBench上公开可用。
引用
@article{arxiv.2212.09518,
title = {FedTADBench: Federated Time-Series Anomaly Detection Benchmark},
author = {Fanxing Liu and Cheng Zeng and Le Zhang and Yingjie Zhou and Qing Mu and Yanru Zhang and Ling Zhang and Ce Zhu},
journal= {arXiv preprint arXiv:2212.09518},
year = {2022}
}
备注
8 pages, 6 figures, published by IEEE HPCC 2022