TRACE：集合与时变模拟中基于重建的异常检测
机器学习
2026-01-14 v1 人工智能
计算机视觉与模式识别
摘要
由于复杂的空间和时间动态，在高维时变模拟数据中检测异常具有挑战性。我们使用卷积自编码器研究了来自参数化 K\'arm\'an 涡街模拟的集合数据的基于重建的异常检测。我们比较了在单个帧上操作的 2D 自编码器与处理短时间堆栈的 3D 自编码器。2D 模型识别单个时间步中的局部空间不规则性，而 3D 模型利用时空上下文来检测异常运动模式，并减少了跨时间的冗余检测。我们进一步评估了体积时变数据，发现重建误差受质量空间分布的强烈影响，高度集中的区域比分散的配置产生更大的误差。我们的结果突出了时间上下文对于动态模拟中鲁棒异常检测的重要性。
关键词
引用
@article{arxiv.2601.08659,
title = {TRACE: Reconstruction-Based Anomaly Detection in Ensemble and Time-Dependent Simulations},
author = {Hamid Gadirov and Martijn Westra and Steffen Frey},
journal= {arXiv preprint arXiv:2601.08659},
year = {2026}
}