准周期网络时间序列的稳健群异常检测
机器学习
2025-06-23 v1
摘要
许多真实的多变量时间序列来自于嵌入软件、电子和传感器的物理对象网络。这些对象生成的准周期信号常常遵循相似的重复和周期模式，但在周期上存在变动，并且由于计时（同步）误差，长度不同。给定大量此类准周期时间序列，我们能否构建机器学习模型来识别那些与大多数观察值不同的时间序列？此外，这些模型能否帮助人类专家理解决策的做法？我们提出了一种序列到高斯混合模型（seq2GMM）框架。该框架的总体目标是在网络时间序列数据库中识别异常且有趣的时间序列。我们进一步开发了一种基于替代物的优化算法，能够有效训练 seq2GMM 模型。seq2GMM 在大量公共基准数据集上表现出强大的实证性能，显著优于现有的异常检测技术。我们还对所提出训练算法的收敛性进行了理论分析，并提供数值结果以支撑我们的理论论断。
引用
@article{arxiv.2506.16815,
title = {Robust Group Anomaly Detection for Quasi-Periodic Network Time Series},
author = {Kai Yang and Shaoyu Dou and Pan Luo and Xin Wang and H. Vincent Poor},
journal= {arXiv preprint arXiv:2506.16815},
year = {2025}
}
备注
Published in IEEE Transactions on Network Science and Engineering