分位数LSTM：一种用于时间序列数据异常检测的鲁棒LSTM
机器学习
2024-02-13 v1
摘要
异常指系统与设备在标准运行条件下偏离其正常行为，工业设备的异常常预示即将发生的故障，且多具时间方向性。本文做出两点贡献：1）我们估计条件分位数，并基于估计分位数给出三种不同的异常定义方式。2）我们在流行的长短期记忆网络（LSTM）架构中使用新的可学习激活函数建模时间长距离依赖。具体而言，我们提出参数化 Elliot 函数（PEF）作为 LSTM 内部的激活函数（AF），其与 sigmoid 和 tanh 相比饱和更迟。所提算法与其他知名异常检测算法（如孤立森林（iForest）、椭圆包络、自编码器，以及深度自编码高斯混合模型（DAGMM）、生成对抗网络（GAN）等现代深度学习模型）进行比较。算法依据精确率与召回率等多种性能指标评估，并在 Yahoo、AWS、GE 及机器传感器等多个工业时间序列数据集上测试。我们发现基于 LSTM 的分位数算法非常有效，在识别异常上优于现有算法。
引用
@article{arxiv.2302.08712,
title = {Quantile LSTM: A Robust LSTM for Anomaly Detection In Time Series Data},
author = {Snehanshu Saha and Jyotirmoy Sarkar and Soma Dhavala and Santonu Sarkar and Preyank Mota},
journal= {arXiv preprint arXiv:2302.08712},
year = {2024}
}
备注
To be submitted to the IEEE Transactions on Artificial Intelligence