具有无标签模型选择的时间序列异常检测

随着数据的大量涌现和开箱即用的机器学习算法，时间序列数据的异常检测已成为许多数据驱动应用的一项基本任务。在许多现实场景中，由于异常标签不足以及获取异常样本的成本过高，开发可靠的异常模型极具挑战性。这给可靠地评估模型质量以进行模型选择和参数调优带来了显著瓶颈。因此，许多现有的异常检测算法在部署后未能展现出其承诺的性能。在本文中，我们提出 LaF-AD，一种用于无标签时间序列数据的具有无标签模型选择的新型异常检测算法。我们提出的算法在大量候选参数模型上执行完全无监督的集成学习。我们开发了一种模型方差度量，通过自助法量化异常概率的敏感性。然后它利用模型方差由模型学习器对异常事件做出集体决策。我们的算法易于并行化，对病态和季节性数据更鲁棒，并且对大量异常模型具有高度可扩展性。我们在合成领域和基准公开数据集上针对其他最先进的方法评估了我们的算法。