LARA：一种面向无监督时间序列异常检测的轻量且抗过拟合重训练方法
机器学习
2024-02-26 v4
摘要
当前大多数异常检测模型假设正常模式始终保持不变。然而，Web 服务的正常模式发生剧烈且频繁的变化。在此类变化后，基于旧分布数据训练的模型即过时。每次都重训练整个模型代价高昂。此外，在正常模式变化初期，来自新分布的观测数据不足。用有限数据重训练大型神经网络模型容易过拟合。因此，我们提出一种轻量且抗过拟合的重训练方法（LARA），用于基于深度变分自编码器的时序异常检测方法（VAEs）。本工作旨在做出三项新颖贡献：1）将重训练过程表述为凸问题，能够以快速收敛并防止过拟合；2）设计沉思块，利用历史数据而无需存储它们；3）从数学上证明，在微调隐向量与重构数据时，线性形式可实现真值与微调值之间最小的调整误差。此外，我们进行了大量实验验证，即便仅用来自新分布的 43 个时间槽数据重训练 LARA，其 F1 Score 也可与用充足数据训练的 SOTA 异常检测模型相竞争。我们还验证了它的轻量开销。
引用
@article{arxiv.2310.05668,
title = {LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection},
author = {Feiyi Chen and Zhen Qin and Yingying Zhang and Shuiguang Deng and Yi Xiao and Guansong Pang and Qingsong Wen},
journal= {arXiv preprint arXiv:2310.05668},
year = {2024}
}
备注
Accepted by ACM Web Conference 2024 (WWW 24)