基于张量分解的鲁棒时空连续异常检测
机器学习
2025-10-02 v1 统计方法学
机器学习
摘要
时空数据中的异常检测是一个在诸多应用场景中都面临挑战的问题，包括视频监控、医学影像数据以及城市交通监控。现有异常检测方法主要关注点异常，无法处理时空数据中出现的时空依赖性。张量基方法已被提出以解决此问题。尽管已有方法能够捕获不同模态之间的依赖性，但它们主要是监督式的，且未考虑异常的特定结构。此外，这些方法主要关注提取异常特征，却未提供任何统计置信度。在本文中，我们引入一种无监督张量方法，以同时考虑异常的稀疏性和时空平滑性。将异常检测问题形式化为正则化鲁棒低秩 + 稀疏张量分解，其中对张量的总体变化相对于底层空间和时间图来衡量异常的时空平滑程度。一旦提取了异常特征，我们引入一种统计异常评分框架，考虑局部时空依赖性。该方法在合成数据和真实数据上进行评估。
引用
@article{arxiv.2510.00460,
title = {Robust Spatiotemporally Contiguous Anomaly Detection Using Tensor Decomposition},
author = {Rachita Mondal and Mert Indibi and Tapabrata Maiti and Selin Aviyente},
journal= {arXiv preprint arXiv:2510.00460},
year = {2025}
}