TreeMIL：面向不精确监督时间序列异常检测的多示例学习框架
机器学习
2024-01-23 v1 人工智能
摘要
时间序列异常检测 (TSAD) 在医疗保健、网络和工业等各个领域发挥着至关重要的作用。考虑到标签对检测至关重要但难以获取，我们转向具有不精确监督的 TSAD：在训练阶段仅提供序列级标签，而在测试阶段预测点级异常。以往的工作遵循传统的多示例学习 (MIL) 方法，侧重于在单个时间步上鼓励高异常分数。然而，时间序列异常不仅限于单个点异常，它们也可以是集体异常，通常在子序列上表现出异常模式。为了应对集体异常的挑战，本文提出了一种基于树的 MIL 框架 (TreeMIL)。我们首先采用 N 叉树结构将整个序列划分为多个节点，其中不同层级的节点代表不同长度的子序列。然后，提取子序列特征以确定集体异常的存在。最后，通过聚合来自不同层级节点的特征来计算点级异常分数。在七个公开数据集和八个基线上进行的实验表明，与以前的最先进方法相比，TreeMIL 在 F1 分数上平均提高了 32.3%。代码可在 https://github.com/flyorange/TreeMIL 获取。
引用
@article{arxiv.2401.11235,
title = {TreeMIL: A Multi-instance Learning Framework for Time Series Anomaly Detection with Inexact Supervision},
author = {Chen Liu and Shibo He and Haoyu Liu and Shizhong Li},
journal= {arXiv preprint arXiv:2401.11235},
year = {2024}
}
备注
This paper has been accepted by IEEE ICASSP 2024