S2DEVFMAP：基于双集成投票融合的自监督学习框架用于最大化时间序列异常预测
机器学习
2024-04-26 v1
摘要
异常检测在工业环境中至关重要，特别是在维持冷却系统的可靠性和最佳性能方面。传统的异常检测方法在处理多样化的数据特征和噪声水平变化时常常面临挑战，导致效果有限。而且传统异常检测通常依赖于单一模型的应用。本文提出了一种新颖、鲁棒的方法，使用五个异构独立模型结合投票技术的双集成融合。多样化的模型捕捉不同的系统行为，而融合策略最大化检测效果并最小化误报。每个基础自编码器模型学习数据的独特表示，利用其互补优势提高异常检测性能。为了提高最终异常预测的有效性和可靠性，应用了双集成技术。该方法在最大化异常识别覆盖率方面表现优异。在工业冷却系统数据的真实数据集上的实验结果证明了所提方法的有效性。该方法可扩展到其他工业应用，其中异常检测对于确保系统可靠性和防止潜在故障至关重要。
引用
@article{arxiv.2404.16179,
title = {S2DEVFMAP: Self-Supervised Learning Framework with Dual Ensemble Voting Fusion for Maximizing Anomaly Prediction in Timeseries},
author = {Sarala Naidu and Ning Xiong},
journal= {arXiv preprint arXiv:2404.16179},
year = {2024}
}