时间序列异常检测几篇论文解读

1. COPOD: Copula-Based Outlier Detection

该论文利用ecdf+copula统计给出了一种新的多维组合的异常检测方法，主要解决了2个问题：

1.多维随机变量之间的相关性。

2.不同分布状况不能统一用3sigma去做尾端的预测。

详见知乎：COPOD：用「统计」+「机器学习」检测异常 - 知乎

2. Revisiting Time Series Outlier Detection: Definitions and Benchmarks

本文重新将时间序列中的异常进行了分类，基于不同的类别进行了不同时间序列异常检测算法的基准测试。

那么问题又来了，我这么知道当前异常是什么类型的异常呢？ 根据分类和时间序列异常情况，建设一个标签系统和分类器，每当出现异常的时候，我们可以抽取异常附近的一个完整的时间序列，根据分类器输出异常类别，根据不同的类别进行响应的算法选型。

3.A Large-scale Study on Unsupervised Outlier Model Selection: Do Internal Strategies Suffice?

本文给出了一种异常检测无监督学习的结果度量方式，不过还处于初级阶段。

4.XGBOD: Improving Supervised Outlier Detection with Unsupervised Representation Learning

将无监督学习输出的分数作为监督学习异常检测的特征。

5. PyOD: A Python Toolbox for Scalable Outlier Detection

集成了很多的异常检测算法。

6. LSCP: Locally selective combination in parallel outlier ensembles

利用knn选择最近的特征数据空间，再利用[mean,max]伪造标签进行预训练，利用person计算伪造标签组合的距离，选择相似的模型组合。

7. SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection

数据维度：降维

模型维度：标签代替无监督。

系统维度：调度+标签预测训练时间，冲洗组合。