为实现有效的实时时间序列异常检测应回溯多远？
机器学习
2023-01-11 v6
摘要
异常检测是识别数据中意外事件或异常的过程，已应用于许多不同领域，如系统监控、欺诈检测、医疗健康、入侵检测等。为时间序列提供无需人工干预或领域知识、实时、轻量且主动的异常检测具有极高价值，因为它减少了人力投入，并能在灾难性事件发生前采取适当对策。据我们所知，RePAD（实时主动异常检测算法）是一种具备上述所有特征的通用方法。为实现实时和轻量检测，RePAD 利用长短期记忆（LSTM）基于短期历史数据点检测每个即将到来的数据点是否异常。然而，不同数量的历史数据点如何影响 RePAD 的性能尚不清楚。因此，在本文中，我们通过引入一组涵盖新颖检测准确率度量、时间效率、就绪性和资源消耗等内容的性能指标，研究不同数量历史数据对 RePAD 的影响。基于真实世界时间序列数据集进行了实证实验，以在不同场景下评估 RePAD，并给出和讨论了实验结果。
引用
@article{arxiv.2102.06560,
title = {How Far Should We Look Back to Achieve Effective Real-Time Time-Series Anomaly Detection?},
author = {Ming-Chang Lee and Jia-Chun Lin and Ernst Gunnar Gran},
journal= {arXiv preprint arXiv:2102.06560},
year = {2023}
}
备注
12 pages, 5 figures, and 9 tables, Proceedings of the 35th International Conference on Advanced Information Network-ing and Applications (AINA 2021)