RLAD：通过强化学习与主动学习进行时间序列异常检测
机器学习
2021-04-02 v1 计算与语言
摘要
我们提出了一种半监督的时间序列异常检测新算法，利用深度强化学习(DRL)和主动学习来高效学习并适应真实世界时间序列数据中的异常。我们的模型——称为RLAD——不对产生观测序列的底层机制作任何假设，并基于异常模式的经验持续调整检测模型。此外，它无需手动调参，且在多个评价指标上优于我们所比较的所有最先进方法（包括无监督和半监督方法）。更具体地，在F1分数上我们以仅1%的标签优于最佳无监督方法1.58倍，在另一个真实世界数据集上以仅0.1%的标签最高优于约4.4倍。我们在两个常见异常检测数据集（多达约3M数据点，异常占比0.28%至2.65%）上将RLAD与七种基于深度学习的算法比较，在多个重要性能指标上均优于它们。
引用
@article{arxiv.2104.00543,
title = {RLAD: Time Series Anomaly Detection through Reinforcement Learning and Active Learning},
author = {Tong Wu and Jorge Ortiz},
journal= {arXiv preprint arXiv:2104.00543},
year = {2021}
}