免训练时间序列异常检测：利用图像基础模型
机器学习
2024-08-28 v1
摘要
时间序列异常检测的最新进展依赖于深度学习模型来处理时间序列数据的多样化行为。然而，这些模型常常面临训练不稳定和需要大量超参数调优的问题，导致实际应用受限。尽管基础模型提供了一种潜在的解决方案，但它们在时间序列中的应用仍然有限。为了克服这些问题，我们提出了一种创新的基于图像的免训练时间序列异常检测（ITF-TAD）方法。ITF-TAD 利用小波变换将时间序列数据转换为图像，并将其压缩为单一表示，从而利用图像基础模型进行异常检测。该方法无需不稳定的神经网络训练或超参数调优即可实现高性能的异常检测。此外，ITF-TAD 能够识别不同频率上的异常，为用户提供异常及其对应频率的详细可视化。在包括单变量和多变量时间序列的五个基准数据集上的综合实验表明，ITF-TAD 提供了一种实用且有效的解决方案，其性能优于或可比肩深度模型。
引用
@article{arxiv.2408.14756,
title = {Training-Free Time-Series Anomaly Detection: Leveraging Image Foundation Models},
author = {Nobuo Namura and Yuma Ichikawa},
journal= {arXiv preprint arXiv:2408.14756},
year = {2024}
}