事件检测与子采样点到子空间邻近性检验中的低秩方法
数据结构与算法
2022-02-21 v3 计算几何
摘要
对流式数据进行监测以检测异常行为（ variously known as 事件检测、异常检测、变化检测或离群点检测）是物联网许多应用的基础。在此类场景中，人们常常从多种来源收集数据，采样异步且存在缺失数据。在此设定下，可利用低秩技术预测异常行为。具体而言，我们假设正常观测来自一个低秩子空间，在被均匀分布的噪声污染之前。相应地，我们旨在恢复该子空间的表示，并通过 incoming data 运行点到子空间距离查询来进行事件检测。特别地，我们对输入数据进行适当的扁平化后，使用一种考虑“已知项”周围区间不确定性集的低秩分解变体，以获得低秩模型。在线上阶段，我们计算 incoming data 到低秩正常子空间的距离，并更新该子空间以使其与存在的季节性变化保持一致。对于距离计算，我们建议考虑子采样。我们利用学习理论与计算几何中的技术，将单侧误差界定为所用坐标数量的函数。在实验评估中，我们测试了所提算法识别来自爱尔兰都柏林感应环路数据中异常行为样本的能力。
引用
@article{arxiv.1802.03649,
title = {Low-Rank Methods in Event Detection and Subsampled Point-to-Subspace Proximity Tests},
author = {Jakub Marecek and Stathis Maroulis and Vana Kalogeraki and Dimitrios Gunopulos},
journal= {arXiv preprint arXiv:1802.03649},
year = {2022}
}