TAnoGAN：基于生成对抗网络的时间序列异常检测
计算机视觉与模式识别
2021-01-15 v2 机器学习
机器学习
摘要
时间序列数据中的异常检测是制造、医学影像和网络安全等许多应用领域面临的重要问题。近来，生成对抗网络（GAN）在图像领域的生成与异常检测方面受到关注。本文提出一种新颖的基于GAN的无监督方法TAnoGan，用于在可用数据点较少时检测时间序列中的异常。我们使用涵盖多种领域的46个真实世界时间序列数据集对TAnoGan进行评估。大量实验结果表明，TAnoGan的性能优于传统模型和神经网络模型。
引用
@article{arxiv.2008.09567,
title = {TAnoGAN: Time Series Anomaly Detection with Generative Adversarial Networks},
author = {Md Abul Bashar and Richi Nayak},
journal= {arXiv preprint arXiv:2008.09567},
year = {2021}
}
备注
Made some minor changes. This is the accepted version of the paper at AusDM'20