MOSPAT：基于自动机器学习的时序异常检测模型选择与参数调优方法
机器学习
2022-05-25 v1
摘要
各组织利用异常与变点检测算法来检测用户行为或服务可用性与性能的变化。许多现成的检测算法虽然有效，但在拥有数千名用户、监控数百万具有不同时间序列特征和异常模式的使用场景与指标的大型组织中却难以直接使用。对于每个使用场景，算法与参数的选择必须精确：人工调参无法扩展，而自动调参需要真实标签，这在实际中很少可得。在本文中，我们探索 MOSPAT，一种端到端的基于自动机器学习（AutoML）的模型与参数选择方法，并结合生成模型来产生带标签数据。我们可扩展的端到端系统使大型组织中的个体用户能够针对其特定使用场景和数据特征定制时间序列监控，而无需具备异常检测算法的专家知识或繁重的手动标注。我们在真实与合成数据上的大量实验表明，该方法始终优于使用任何单一算法。
引用
@article{arxiv.2205.11755,
title = {MOSPAT: AutoML based Model Selection and Parameter Tuning for Time Series Anomaly Detection},
author = {Sourav Chatterjee and Rohan Bopardikar and Marius Guerard and Uttam Thakore and Xiaodong Jiang},
journal= {arXiv preprint arXiv:2205.11755},
year = {2022}
}
备注
10 pages, submitted originally to KDD'22