利用特征聚类提升变分自编码器与动态阈值方法的异常检测
机器学习
2024-07-16 v1 信息检索
摘要
我们提出一种用于多变量时间序列数据的异常检测方法，旨在识别关键时段和影响极端气候事件（如北极融雪）的特征。该方法利用变分自编码器（VAE）集成动态阈值和基于相关性的特征聚类。该框架增强了 VAE 的识别局部依赖关系和学习气候数据中时序关系的能力，从而提高了异常检测效果，实验表明在基准数据集上 F1 分数显著提升。本研究的主要贡献包括开发稳健的异常检测方法、通过聚类改进 VAE 的特征表征，以及为局部化异常检测创建动态阈值算法。该方法为不同地区的气候异常提供可解释性。
引用
@article{arxiv.2407.10042,
title = {Harnessing Feature Clustering For Enhanced Anomaly Detection With Variational Autoencoder And Dynamic Threshold},
author = {Tolulope Ale and Nicole-Jeanne Schlegel and Vandana P. Janeja},
journal= {arXiv preprint arXiv:2407.10042},
year = {2024}
}
备注
This work was presented at the 2024 IEEE International Geoscience and Remote Sensing Symposium, IGARSS 2024, 07-12 July 2024, Athens, Greece