面向时间序列的神经上下文异常检测
机器学习
2021-07-19 v1 人工智能
摘要
我们提出神经上下文异常检测（NCAD），一种用于时间序列异常检测的框架，可无缝地从无监督扩展到有监督设定，并适用于单变量与多变量时间序列。这是通过有效地将多变量时间序列表示学习的最新进展，与最初为计算机视觉开发并我们针对时间序列设定改造的深度异常检测技术相结合来实现的。我们基于窗口的方法通过向可用数据中注入通用合成异常，来促进正常与异常类别之间边界的学习。此外，我们的方法能有效利用所有可用信息，无论是作为领域知识，还是作为半监督设定中的训练标签。我们在标准基准数据集上的实证表明，我们的方法在这些设定中取得了最先进的（SOTA）性能。
引用
@article{arxiv.2107.07702,
title = {Neural Contextual Anomaly Detection for Time Series},
author = {Chris U. Carmona and François-Xavier Aubet and Valentin Flunkert and Jan Gasthaus},
journal= {arXiv preprint arXiv:2107.07702},
year = {2021}
}
备注
Chris and Fran\c{c}ois-Xavier contributed equally