TeVAE：用于变状态多变量时间序列数据的离散在线异常检测的变分自编码器方法
机器学习
2025-11-13 v2 人工智能
计算工程、金融与科学
摘要
随着在汽车测试领域对记录数据关注度的提升，以及人工评估已达到其限制，自动在线异常检测的需求日益增长。这种现实数据在诸多方面都比较复杂，要求对试验对象的行为进行建模。为此，我们提出了一种时序变分自编码器（TeVAE），可在基于无标签数据训练后实现最小假阳性的异常检测。我们的 метод还避免了旁路现象，并提出了一种新的方法，将单个窗口重新映射到连续时间序列。此外，我们提出了用于评估检测延迟和根因分析能力的指标，并呈现了在真实工业数据集上的实验结果。在配置得当时，TeVAE仅以6%的错误率标记异常，并检测到65%的异常。它还可能在较小的训练和验证子集上表现良好，但需要更复杂的阈值估计方法。
引用
@article{arxiv.2407.06849,
title = {TeVAE: A Variational Autoencoder Approach for Discrete Online Anomaly Detection in Variable-state Multivariate Time-series Data},
author = {Lucas Correia and Jan-Christoph Goos and Philipp Klein and Thomas Bäck and Anna V. Kononova},
journal= {arXiv preprint arXiv:2407.06849},
year = {2025}
}