Ymir：一种面向多元时间序列异常检测的有监督集成框架
机器学习
2021-12-10 v1
摘要
我们提出了一个多元时间序列异常检测框架Ymir，该框架利用集成学习和有监督学习技术，在真实世界系统应用中高效地学习并适应异常。Ymir通过集成学习方法整合了多种当前广泛使用的无监督异常检测模型，从而能够在无监督场景下提供鲁棒的前端异常检测结果。在有监督设置下，领域专家和系统用户讨论并为训练数据提供标签（异常或非异常），这反映了他们针对特定系统的异常检测标准。Ymir利用上述无监督方法从原始多元时间序列数据中提取丰富且有用的特征表示，然后将这些特征与标签结合，通过有监督分类器进行异常检测。我们在来自大型监控系统的内部多元时间序列数据集上评估了Ymir，并取得了良好的异常检测性能。
引用
@article{arxiv.2112.04704,
title = {Ymir: A Supervised Ensemble Framework for Multivariate Time Series Anomaly Detection},
author = {Zhanxiang Zhao},
journal= {arXiv preprint arXiv:2112.04704},
year = {2021}
}