基于 Sliced-Wasserstein 的异常检测与面向局部关键峰值回扣的开放数据集
机器学习
2024-12-03 v2
摘要
在本工作中，我们提出了一种使用 sliced-Wasserstein 度量的新型无监督异常（离群点）检测（AD）方法。这种过滤技术在将机器学习模型部署于能源等关键领域的 MLOps 流水线中具有概念上的吸引力，因为它提供了保守的数据选择。此外，我们开放了首个展示北方气候下局部关键峰值回扣需求响应的数据集。我们在合成数据集和标准 AD 数据集上展示了该方法的能力，并将其用于为我们的开源局部关键峰值回扣数据集构建首个基准测试。
引用
@article{arxiv.2410.21712,
title = {Sliced-Wasserstein-based Anomaly Detection and Open Dataset for Localized Critical Peak Rebates},
author = {Julien Pallage and Bertrand Scherrer and Salma Naccache and Christophe Bélanger and Antoine Lesage-Landry},
journal= {arXiv preprint arXiv:2410.21712},
year = {2024}
}