胶囊网络与LSTM网络混合用于多变量数据无监督异常检测
机器学习
2024-10-28 v1
摘要
深度学习技术近来在异常检测领域展现出潜力，相较于传统统计建模与基于信号处理的方法，提供了一种灵活且有效的系统建模手段。然而，神经网络(NN)面临一些广为人知的问题，如泛化能力、需要大量标注数据才能有效训练，以及理解数据中空间上下文的能力。本文提出一种新颖的神经网络架构，将长短期记忆(LSTM)网络与胶囊网络混合于分支输入自编码器架构中，用于多变量时间序列数据。所提方法采用无监督学习技术，以克服难以获取大量标注训练数据的问题。实验结果表明，在未进行超参数优化的情况下，使用胶囊网络显著减少了过拟合并提升了训练效率。此外，结果还显示，无论是否使用胶囊网络，分支输入模型相较于非分支输入模型都能更一致地学习多变量数据。所提模型架构还在开源基准上进行了测试，其在离群点检测中达到了最先进的性能，且相较于当前最先进方法，在所测试指标上总体表现最佳。
引用
@article{arxiv.2202.05538,
title = {Hybridization of Capsule and LSTM Networks for unsupervised anomaly detection on multivariate data},
author = {Ayman Elhalwagy and Tatiana Kalganova},
journal= {arXiv preprint arXiv:2202.05538},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication