时序异常监测
文章平均质量分 94
Austismes
每朵云都下落不明,每盏月亮都不知所踪。
展开
-
HybridAD:多变量时间序列的混合模型驱动异常检测方法(翻译)
近年来,异常检测在时间序列处理的研究和实践中日益受到重视。然而,多变量时间序列使观测值之间的时间依赖性变得复杂,并引入了复杂的信道间相关性,因此这项任务尤其具有挑战性。同时,为了适应更广泛的应用,训练和检测过程中的鲁棒性也是一个关键方面。在本文中,我们提出了一种无监督、混合模型驱动的异常检测方案,该方案能够:(1)将序列转换为时序依赖嵌入和信道间相关嵌入的融合表示;(2)使用时序预测网络进行样本后验估计,并结合数据重建网络评估预测来源,从而实现稳健的异常检测。在此基础上,我们开发了一种基于概率密度的异常评分翻译 2024-05-29 19:28:10 · 6 阅读 · 0 评论 -
用于多变量时间序列异常检测的模糊状态驱动跨时间空间依赖性学习(论文翻译)
本文提出了一种**具有模糊嵌入的跨时间空间图网络**,以分离潜伏和混合的时态,并利用它来细致地学习跨时间空间依赖性。首先,考虑到时态是多样化的,而且它们的混合模式是未知的,我们**引入模糊状态集来统一表征潜在的时态,并自适应地生成相应的成员度来描述这些状态的混合方式。**此外,我们还提出了**跨时间空间图**,量化模糊状态之间的相似性并感知它们的动态演变,从而灵活地学习可变的跨时间空间依赖性。最后,我们设计了**状态多样性和时间邻近性约束**,以实现对模糊状态的学习。翻译 2024-05-25 19:48:32 · 6 阅读 · 0 评论 -
Enhancing the Locality and Breaking the Memory Bottleneck of Transformer on Time Series Forecasting
增强时间序列预测的局部性并打破Transformer的内存瓶颈原创 2023-11-01 19:25:28 · 145 阅读 · 0 评论 -
FC-GAGA: Fully Connected Gated Graph Architecture for Spatio-Temporal Traffic Forecasting(论文翻译)
我们提出了一种新的原理,将完全连接的最先进的单变量TS预测模型NBEATS(Oreshkin et al. 2020)与可学习的时间门和可学习的硬图门机制相结合。我们的经验表明,该模型可以有效地从数据中学习图形参数,并实现令人印象深刻的预测性能。我们表明,所提出的模型提供了计算优势,并减少了至少三个因素的训练时间相对于具有类似精度的模型。原创 2023-10-31 16:50:06 · 291 阅读 · 0 评论 -
Towards a Rigorous Evaluation of Time-series Anomaly Detection(论文翻译)
时间序列异常检测的严格评价原创 2023-10-24 19:07:05 · 335 阅读 · 0 评论 -
Detecting Multivariate Time Series Anomalies with Zero Known Label(论文翻译)
零已知标记的多变量时间序列异常检测原创 2023-10-17 14:49:37 · 189 阅读 · 0 评论