Scifaro

中文

用于季节性时间序列异常检测与数据填补的鲁棒主成分分析

机器学习 2022-08-04 v1 机器学习

作者: Hong-Lan Botterman , Julien Roussel , Thomas Morzadec , Ali Jabbari , Nicolas Brunel

在 arXiv 上查看 ↗ PDF ↗

摘要

我们提出一个鲁棒主成分分析(RPCA)框架,从时序观测中恢复低秩与稀疏矩阵。我们开发了该批量时间算法的在线版本,以处理更大数据集或流数据。我们通过实验将所提方法与不同RPCA框架比较,并展示它们在实际情境中的有效性。

关键词

鲁棒主成分分析季节性时间序列异常检测数据填补低秩矩阵稀疏矩阵在线算法

引用

@article{arxiv.2208.01998,
  title  = {Robust PCA for Anomaly Detection and Data Imputation in Seasonal Time Series},
  author = {Hong-Lan Botterman and Julien Roussel and Thomas Morzadec and Ali Jabbari and Nicolas Brunel},
  journal= {arXiv preprint arXiv:2208.01998},
  year   = {2022}
}