多元时间序列异常检测：花哨的算法与有缺陷的评估方法
机器学习
2023-11-02 v2 人工智能
性能
统计计算
机器学习
摘要
多元时间序列 (MVTS) 异常检测是一个长期且具挑战性的研究课题，近期吸引了工业界与学术界的大量研究投入。然而，对文献的细致研究使我们意识到：1) 该领域虽活跃，却不如计算机视觉 (CV) 和自然语言处理 (NLP) 等其他机器学习兄弟领域那样有组织性；2) 多数提出的方案使用不当或高度有缺陷的协议进行评估，明显缺乏科学基础。一种非常流行的协议——所谓的点调整协议——竟如此有缺陷，以至于随机猜测都能被证明系统性地优于迄今开发的所有算法。本文中，我们使用更稳健的协议回顾并评估许多近期算法，并讨论一个通常良好的协议在 MVTS 异常检测背景下可能存在的弱点及如何缓解。我们也分享了对许多工作中所观察到的基准数据集、实验设计与评估方法的担忧。此外，我们提出了一个基于主成分分析 (PCA) 的简单却具挑战性的基线，其在流行基准数据集上出人意料地优于许多近期基于深度学习 (DL) 的方法。本工作的主要目标是激励更多努力投向研究的重要方面，如数据、实验设计、评估方法与结果可解释性，而非将最高权重置于设计日益复杂且“花哨”的算法上。
引用
@article{arxiv.2308.13068,
title = {Multivariate Time Series Anomaly Detection: Fancy Algorithms and Flawed Evaluation Methodology},
author = {Mohamed El Amine Sehili and Zonghua Zhang},
journal= {arXiv preprint arXiv:2308.13068},
year = {2023}
}
备注
17 pages, 7 figures, accepted at TPCTC 2023