图上低秩加时间平滑稀疏分解的时空数据异常检测
机器学习
2020-10-27 v1 数据结构与算法
信号处理
摘要
时空数据中的异常检测是高光谱成像、视频监控和城市交通监测等多种应用中遇到的具有挑战性的问题。现有异常检测方法最适用于序列数据中的点异常，无法处理时空数据中产生的时序与空间依赖。近年来，基于张量的方法被提出用于异常检测以解决该问题。这些方法依赖传统的张量分解模型，未考虑异常的结构，且为有监督或半监督。我们引入一种无监督的基于张量的异常检测方法，其考虑了异常的稀疏与时间连续性质。具体而言，异常检测问题被表述为带有正则化项的鲁棒低秩+稀疏张量分解，该正则化项最小化稀疏部分的时间变化，从而提取的异常在时间上持续。我们还用图全变分最小化近似秩最小化，以降低优化算法的复杂度。所得的优化问题是凸的、可扩展的，并且被证明对缺失数据和噪声具有鲁棒性。所提框架在合成与真实时空城市交通数据上进行了评估，并与基线方法进行比较。
引用
@article{arxiv.2010.12633,
title = {Low-rank on Graphs plus Temporally Smooth Sparse Decomposition for Anomaly Detection in Spatiotemporal Data},
author = {Seyyid Emre Sofuoglu and Selin Aviyente},
journal= {arXiv preprint arXiv:2010.12633},
year = {2020}
}