发表会议:2019_IJCIA
1.Abstract
给定一个大规模有节奏的时间序列,其中主要包含正常的数据片段(或节拍),是否可以以有效的方式来检测异常的节拍?现有的方法需要过多的数量的标记和平衡数据来进行分类,或以来较少规则化的重构,从而导致异常检测的准确性较低。
作者基于此提出BeatGAN,一种用于时间序列数据的无监督异常检测算法。
BeatGAN可以输出可解释的结果,通过将其与对抗性生成的节拍进行比较,以查明输入节拍的异常时间。通过使用对抗生成的方法对重构误差进行正则化,以及使用时间序列翘曲进行数据增强,可以确保其鲁棒性。
实验在ECG上进行,并且有非常好的效果。
2.问题与之前的工作
存在的问题:
1.监视多元时间序列,如何自动检测异常节拍,并且能否指出导致异常的原因?
2.大量的时间序列中的异常也许是很少的,这些异常对于监督分类是不够的和不平衡的。
3.异常段可能彼此并不相同,如在定义的类别中出现一些从未见过的样本。
4.在正常的样本中,时间周期中也有大量的特征。
之前的工作:
1.2014 基于重构的异常检测通常使用数据的隐式低维表示形式,如SVD分解。
2.2015 自动编码器通过应用非线性函数进行重构与异常检测。
但如果不进行适当的正则化,则这种重构容易导致过拟合,从而导致精度低。
3.作者的想法
2014年提出的GAN可以在学