时序多向数据上的无监督异常检测
机器学习
2020-09-22 v1 人工智能
摘要
时序异常检测旨在发现时空中的不规则现象。迄今为止所采用的无监督时序模型通常处理特征向量序列，而较少处理时序多向数据。我们将研究聚焦于二向数据，即在每个时间步观测到一个数据矩阵。借助矩阵原生循环神经网络的最新进展，我们研究了用于时序多向异常检测的数据排布与无监督训练策略。这些策略包括压缩-解压缩、编码-预测以及时序数据差分。我们开展了一套全面的实验，在合成数据、移动数字和 ECG 记录上评估各种设置下的模型行为。我们发现了此前未报道的有趣现象。其中包括紧凑矩阵 LSTM 近乎完美地压缩含噪数据的能力，使得压缩-解压缩数据策略在噪声下不适合用于异常检测。此外，长向量序列可由允许极长上下文与多步预测的矩阵模型直接处理。总体而言，在所进行的实验中，编码-预测策略对矩阵 LSTM 非常有效，这得益于其紧凑性以及对数据动态更好的拟合。
引用
@article{arxiv.2009.09443,
title = {Unsupervised Anomaly Detection on Temporal Multiway Data},
author = {Duc Nguyen and Phuoc Nguyen and Kien Do and Santu Rana and Sunil Gupta and Truyen Tran},
journal= {arXiv preprint arXiv:2009.09443},
year = {2020}
}