用于时间序列异常检测的动力学层堆叠残差方法
机器学习
2022-02-28 v1 系统与控制
系统与控制
机器学习
摘要
我们提出一种端到端可微神经网络架构，通过对预测残差施加序贯概率比检验来进行多元时间序列异常检测。该架构为动力学系统的级联，旨在将信号中可线性预测的组分（如趋势与季节性）与非线性组分分离。前者由局部线性动态层建模，其残差送入一个通用时间卷积网络，该网络同时将不同时间序列的全局统计作为各局部预测的上下文。最后一层实现异常检测器，其利用预测残差的时间结构来检测孤立点异常与变点。它基于对经典 CUMSUM 算法的新颖应用，并通过 f-散度的变分近似加以适配。模型自动适应观测信号的时间尺度。它在初始阶段近似一个 SARIMA 模型，并随着更多数据被观测而在无监督情况下自调节至信号及其协变量的统计特性。所得系统称为 STRIC，在多个异常检测基准上优于最先进的鲁棒统计方法与深度神经网络架构。
引用
@article{arxiv.2202.12457,
title = {Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection},
author = {L. Zancato and A. Achille and G. Paolini and A. Chiuso and S. Soatto},
journal= {arXiv preprint arXiv:2202.12457},
year = {2022}
}