Series2Graph：基于图的时间序列子序列异常检测
机器学习
2022-07-26 v1
摘要
长序列中的子序列异常检测是一个重要问题，在广泛领域有应用。然而，迄今文献中提出的方法存在严重局限：它们要么需要用于设计异常发现算法的先验领域知识，要么在存在同类型反复异常的情形下变得繁琐且代价高昂。本工作中，我们解决这些问题，并提出一种适用于领域无关子序列异常检测的无监督方法。我们的方法 Series2Graph 基于子序列新颖低维嵌入的图表示。Series2Graph 既不需要标记实例（如监督技术），也不需要无异常数据（如零正学习技术），并能识别不同长度的异常。在迄今使用的最大规模合成与真实数据集上的实验结果表明，所提方法能在无任何异常特征先验知识的情况下正确识别单发与反复异常，以大幅优势在准确率上超越多种竞争方法，同时速度最高可达数个数量级提升。本文已发表于 VLDB 2020。
引用
@article{arxiv.2207.12208,
title = {Series2Graph: Graph-based Subsequence Anomaly Detection for Time Series},
author = {Paul Boniol and Themis Palpanas},
journal= {arXiv preprint arXiv:2207.12208},
year = {2022}
}