多元时间序列异常检测的无监督距离度量学习
机器学习
2024-03-05 v1 人工智能
摘要
基于距离的时间序列异常检测方法因其相对非参数化的特性和可解释性而得到广泛应用。然而，常用的欧氏距离对噪声敏感。尽管现有工作探索了动态时间规整 (DTW) 以提高稳健性，但它们仅支持多元时间序列 (MTS) 上的监督任务，缺乏无监督方法。在这项工作中，我们提出了 FCM-wDTW，一种用于 MTS 异常检测的无监督距离度量学习方法，该方法将原始数据编码到潜在空间，并通过聚类中心揭示正常的维度关系。FCM-wDTW 将局部加权 DTW 引入模糊 C 均值聚类，并高效地学习最优潜在空间，从而通过数据重构实现异常识别。在 11 种不同类型的基准测试上的实验表明了我们的方法具有竞争力的准确性和效率。
引用
@article{arxiv.2403.01895,
title = {Unsupervised Distance Metric Learning for Anomaly Detection Over Multivariate Time Series},
author = {Hanyang Yuan and Qinglin Cai and Keting Yin},
journal= {arXiv preprint arXiv:2403.01895},
year = {2024}
}