基于状态空间高斯过程的在线时间序列异常检测
机器学习
2022-01-19 v1 机器学习
摘要
我们提出 r-ssGPFA，一种无监督在线异常检测模型，用于单变量与多变量时间序列，建立在高斯过程的高效状态空间表述之上。对于高维时间序列，我们提出高斯过程因子分析的扩展以识别时间序列的共同潜过程，使我们能够以可解释的方式高效检测异常。我们通过施加从潜空间到观测空间的映射上的正交约束，在加快计算的同时获得可解释性。我们使用一种简单启发式方法，在遇到异常观测时跳过 Kalman 更新，从而提升了模型的鲁棒性。我们在合成数据上研究了模型的行为，并在标准基准数据集上表明，我们的方法与最先进方法具有竞争力，同时计算代价更低。
引用
@article{arxiv.2201.06763,
title = {Online Time Series Anomaly Detection with State Space Gaussian Processes},
author = {Christian Bock and François-Xavier Aubet and Jan Gasthaus and Andrey Kan and Ming Chen and Laurent Callot},
journal= {arXiv preprint arXiv:2201.06763},
year = {2022}
}