RePAD2：面向开放式时间序列的实时、轻量级自适应异常检测
机器学习
2023-03-03 v2
摘要
开放式时间序列是指按时间顺序索引且无终点的一系列数据点。由于物联网的普及，此类时间序列随处可见。为开放式时间序列提供轻量级且实时的异常检测对工业与组织而言极为重要，因为它能够实现即时响应并避免潜在的财务损失。过去几年中，已有若干实时时间序列异常检测方法被提出。然而，当它们长时间应用于开放式时间序列时，可能会耗尽系统资源。为解决此问题，本文提出 RePAD2，一种通过改进其前身 RePAD（当前最先进（state-of-the-art, SOTA）的异常检测方法之一）而得到的面向开放式时间序列的轻量级实时异常检测方法。我们开展了一系列实验，基于真实世界时间序列数据集将 RePAD2 与 RePAD 及另一种类似检测方法进行比较，结果表明 RePAD2 能够解决上述资源耗尽问题，同时提供可比的检测精度与略少的耗时。
引用
@article{arxiv.2303.00409,
title = {RePAD2: Real-Time, Lightweight, and Adaptive Anomaly Detection for Open-Ended Time Series},
author = {Ming-Chang Lee and Jia-Chun Lin},
journal= {arXiv preprint arXiv:2303.00409},
year = {2023}
}
备注
10 pages, 11 figures, and 10 tables, the paper is accepted by 8th International Conference on Internet of Things, Big Data and Security (IoTBDS 2023)