[文献阅读]BeatGAN: Anomalous Rhythm Detection using Adversarially Generated Time Series

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