基于弱分段标签的时间序列噪声鲁棒点态异常检测
机器学习
2025-01-22 v1
摘要
检测时间序列数据中的异常事件已在 various 实际应用场景中受到广泛关注，以识别异常事件并减轻潜在风险。实际情况下，往往存在以段为单位的标签（检测到的异常事件的时间段）和无标签数据（未检测到的事件）的混合情况，而理想的算法输出应为点态预测。因此，训练数据与目标之间的巨大标签信息差使得该任务具有挑战性。本研究将上述不完美信息建模为噪声标签，提出了 NRdetector—a 一种集成置信度基于样本选择、稳健的段级学习和数据中心的点态检测框架，用于多变量时间序列异常检测。特别地，为了在噪声段级标签和缺失点级标签之间建立信息差，我们 developed a novel loss function that can effectively mitigate the label noise and consider the temporal features. 它鼓励连续点的平滑性以及来自不同标签段的点的可分性。在 11 个不同评估指标的真实世界多变量时间序列数据集上进行的广泛实验表明，NRdetector 在多个真实数据集上始终能够实现稳健的结果，优于各种针对 our setting 调整的基线方法。
引用
@article{arxiv.2501.11959,
title = {Noise-Resilient Point-wise Anomaly Detection in Time Series Using Weak Segment Labels},
author = {Yaxuan Wang and Hao Cheng and Jing Xiong and Qingsong Wen and Han Jia and Ruixuan Song and Liyuan Zhang and Zhaowei Zhu and Yang Liu},
journal= {arXiv preprint arXiv:2501.11959},
year = {2025}
}
备注
Accepted by 2025 ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD'25)