基于稀疏高斯过程的在线异常检测
机器学习
2019-05-16 v1 机器学习
摘要
时间序列数据的在线异常检测是机器学习中一项重要且具有挑战性的任务。高斯过程（GPs）是建模时间序列数据强大而灵活的模型。然而，GPs 的高时间复杂度限制了它们在在线异常检测中的应用。由于某些内部或外部变化，时间序列数据中通常会出现概念漂移，其中数据的特征和异常行为的含义随时间改变。在线异常检测方法应具备适应概念漂移的能力。受上述事实启发，本文提出带 Q 函数的稀疏高斯过程方法（SGP-Q）。SGP-Q 采用时间复杂度低于 GPs 的稀疏高斯过程（SGPs），从而显著加速在线异常检测。通过恰当使用 Q 函数，SGP-Q 能很好地适应概念漂移。此外，SGP-Q 通过其训练数据更新策略利用了训练数据中的少量异常数据，从而得到更精确的稀疏高斯过程回归模型和更好的异常检测结果。我们在多个人工和真实世界数据集上评估了 SGP-Q。实验结果验证了 SGP-Q 的有效性。
引用
@article{arxiv.1905.05761,
title = {Online Anomaly Detection with Sparse Gaussian Processes},
author = {Jingjing Fei and Shiliang Sun},
journal= {arXiv preprint arXiv:1905.05761},
year = {2019}
}