面向工业传感器大数据时间序列的多尺度异常检测
机器学习
2022-04-19 v1 人工智能
摘要
给定一个多变量大数据时间序列，我们能否在异常发生时立即检测到它们？许多现有工作在重构框架中通过学习时间序列偏离其应有程度的多少来检测异常。然而，由于优化算法无法处理如此长的序列，大多数模型不得不凭经验将大数据时间序列切割成小块。这就提出了一个问题：这种切割是否会像句子中的错误标点一样污染固有的语义片段？因此，我们提出了一种基于重构的异常检测方法 MissGAN，迭代学习以粗粒度片段解码和编码自然平滑的时间序列，并基于 HMM 从低维表示中找出更细的片段。因此，通过从多尺度片段学习，MissGAN 可以在对抗正则化和额外条件状态的帮助下重构出有意义且鲁棒的时间序列。MissGAN 不需要标签或仅需要正常实例的标签，使其具有广泛适用性。在真实水网传感器的工业数据集上的实验表明，我们的 MissGAN 在可扩展性方面优于基线。此外，我们使用 CMU Motion 数据集上的案例研究来证明我们的模型可以很好地区分给定条件运动中的意外手势。
引用
@article{arxiv.2204.08159,
title = {Multi-scale Anomaly Detection for Big Time Series of Industrial Sensors},
author = {Quan Ding and Shenghua Liu and Bin Zhou and Huawei Shen and Xueqi Cheng},
journal= {arXiv preprint arXiv:2204.08159},
year = {2022}
}