面向时间序列数据异常检测的深度工业迁移学习
机器学习
2021-06-10 v1 人工智能
摘要
深度学习有望在时间变化数据集上实现高性能异常检测，但深受适用训练数据匮乏与任务频繁变更之困。深度迁移学习通过让算法依托来自不同任务或地点的既往知识来予以缓解。本文提出一种用于时间序列数据集异常检测的模块化深度学习算法，其允许轻松集成此类迁移学习能力。我们在某离散制造过程的数据集上对其进行了充分测试，以证明其在深度工业迁移学习——即工业应用特殊环境下的知识迁移——方面的根本适用性。
引用
@article{arxiv.2106.04920,
title = {Towards Deep Industrial Transfer Learning for Anomaly Detection on Time Series Data},
author = {Benjamin Maschler and Tim Knodel and Michael Weyrich},
journal= {arXiv preprint arXiv:2106.04920},
year = {2021}
}
备注
8 pages, 5 figures, 5 tables. Accepted for publication at IEEE ETFA 2021