子集多元集体与点异常检测
统计方法学
2019-09-05 v1 统计理论
统计计算
机器学习
统计理论
摘要
近年来，人们对识别多元数据流中的异常结构日益关注。我们考虑检测集体异常的问题，即对应于一个或多个数据流表现异常的时间区间。我们首先针对单个集体异常开发了一个检验，该检验有能力同时检测罕见（即影响少数数据流）或常见异常。然后我们展示了如何以计算高效的方式检测多个异常，同时避免类二元分割方法中固有的近似。该方法被称为 MVCAPA，被证明能一致地估计集体异常的数量与位置，这一性质是此前竞争方法所未展示的。MVCAPA 可对于点异常具有鲁棒性，并允许异常不完全对齐。我们通过由此带来的检测拷贝数变异区域功效的提升，展示了允许不完全对齐的实际用处。
引用
@article{arxiv.1909.01691,
title = {Subset Multivariate Collective And Point Anomaly Detection},
author = {Alexander T M Fisch and Idris A Eckley and Paul Fearnhead},
journal= {arXiv preprint arXiv:1909.01691},
year = {2019}
}