PATE：基于距离的时间序列异常评估
机器学习
2024-05-21 v1
摘要
在时间序列数据上评估异常检测算法至关重要，因为其不准确性可能导致在需要实时分析和数据驱动策略的领域出现错误决策。传统性能指标假设数据独立同分布，无法捕捉时间序列异常的复杂时序动态及特定特征，如早期或延迟检测。我们引入基于距离的时间序列异常评估方法（PATE），该方法融合预测与异常区间之间的时序关系。PATE 采用考虑异常区间缓冲区的距离加权，实现对检测的更细致且有信息的评估。通过这些权重，PATE 计算精确率和召回率曲线下面积的加权版本。我们的实验使用合成数据和真实数据集表明，PATE 在提供更合理和准确的评估方面优于其他评估指标。我们还采用 PATE 评估方案对多个最新异常检测器在各种基准数据集上的表现。结果显示，常见的指标如点调整 F1 分数未能良好刻画检测性能，而 PATE 能够提供更公平的模型比较。通过引入 PATE，我们重新定义了模型有效性的理解，引导未来研究发展更有效和更准确的检测模型。
引用
@article{arxiv.2405.12096,
title = {PATE: Proximity-Aware Time series anomaly Evaluation},
author = {Ramin Ghorbani and Marcel J. T. Reinders and David M. J. Tax},
journal= {arXiv preprint arXiv:2405.12096},
year = {2024}
}
备注
Accepted by ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD 2024), Research Track. (Preprint version)