Sintel：从信号中提取洞察的机器学习框架
机器学习
2022-04-21 v1
摘要
时间序列数据中的异常检测是一项具有众多监控应用的关键任务。现有系统往往未能涵盖端到端的检测流程，难以促进各种异常检测方法的比较分析，或融合人类知识以优化输出。这阻碍了当前方法被非机器学习专家的从业者用于真实场景。本文中，我们介绍Sintel，一个用于异常检测等端到端时间序列任务的机器学习框架。该框架使用最先进的方法支持异常检测流程的所有步骤。Sintel记录完整的异常检测过程，提供随时间变化的异常详细文档。它通过交互式可视化工具使用户能够分析信号、比较方法并调查异常，用户可在其中标注、修改、创建和删除事件。利用这些标注，框架借助人类知识改进异常检测流程。我们通过在三个公开时间序列数据集以及涉及航天器专家异常分析任务的真实用例上的一系列实验，展示了Sintel的可用性、效率和有效性。Sintel的框架、代码和数据集已在 https://github.com/sintel-dev/ 开源。
引用
@article{arxiv.2204.09108,
title = {Sintel: A Machine Learning Framework to Extract Insights from Signals},
author = {Sarah Alnegheimish and Dongyu Liu and Carles Sala and Laure Berti-Equille and Kalyan Veeramachaneni},
journal= {arXiv preprint arXiv:2204.09108},
year = {2022}
}
备注
This work is accepted by ACM SIGMOD/PODS International Conference on Management of Data (SIGMOD 2022)