Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection
Universidad de Granada（格拉纳达大学）
网络异常检测是当今一个非常相关的研究领域，特别是由于其在网络安全领域的多种应用。基于变分自编码器和生成式对抗网络的新模型的推动促使人们重新评估传统的异常检测技术。然而，必须能够从多年评估网络安全数据以进行异常检测的经验的角度来理解这些新模型。在本文中，我们重新审视基于PCA的异常检测技术从概率生成模型的角度来看，并贡献一个数学模型，将它们联系起来。具体来说，我们从概率PCA模型开始，并解释其与多元统计网络监测（MSNM）框架的联系。MSNM最近被成功地提出作为将工业过程异常检测经验纳入网络领域的一种手段。我们使用两个不同的数据集来评估数学模型。第一个是为了更好地理解所提出的分析而创建的合成数据集，第二个是UGR'16，是专门设计的用于网络安全异常检测的真实流量数据集。我们得出的结论，我们认为是有用的生成模型应用于网络安全检测。
2023-02-02 cs.LG stat.ML
GAN Augmented Text Anomaly Detection with Sequences of Deep Statistics
Morgan State University（摩根州立大学）
异常检测是发现偏离基线的数据点的过程。在现实生活中，异常通常是未知的或极其罕见的。此外，检测必须及时完成，否则系统损坏的风险可能会呈指数级增长。在这项工作中，我们提出了一个两级的框架，用于检测离散元素序列中的异常。首先，我们评估我们是否可以获得足够的信息，从收集的统计数据，从层的分布和分布样本之间的区别。然后，我们建立一个无监督的异常检测模块的基础上，这些统计数据。为了增加数据并跟踪已知数据的类别，我们倾向于应用于离散元素的半监督对抗学习。
2019-04-24 cs.CR cs.LG stat.ML
Robust Spectral Filtering and Anomaly Detection
IBM Research – Ireland（IBM研究院（爱尔兰））
我们考虑一个设置，其中的线性动力系统（LDS）的输出，一个未知的，但固定的概率，被噪声取代。在那里，我们提出了一个强大的方法预测的LDS的输出和噪声样本的识别，并证明其统计性能的保证。一个应用在于异常检测：不太可能由动力学产生的噪声样本可以标记给系统的操作员以供进一步研究。
2018-08-03 cs.LG math.OC stat.ML
RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks
DAMO Academy, Alibaba Group Inc.（阿里巴巴集团达摩院）
阿里巴巴集团对大量不同的时间序列数据进行监控和管理，需要一种有效且可扩展的时间序列异常检测服务。在本文中，我们提出了RobustRisk，一个鲁棒的时间序列异常检测框架，通过集成强大的季节趋势分解和卷积神经网络的时间序列数据。季节趋势分解可以有效地处理时间序列中的复杂模式，同时大大简化了神经网络的结构，这是一个具有跳跃连接的编码器-解码器结构。该结构能够有效地从时间序列中提取多尺度信息，在异常检测中具有重要的应用价值。由于时间序列异常检测中标记数据的有限性，本文系统地研究了时域和频域的数据增强方法。利用时间序列异常检测问题的不平衡性，在损失函数中引入了基于标签的权重和基于值的权重。与广泛使用的基于预测的异常检测算法、基于分解的算法、传统的统计算法以及最近的基于神经网络的算法相比，RobustRobust在公共基准数据集上的性能明显更好。它被部署为公共在线服务，并广泛应用于阿里巴巴集团的不同业务场景。
2021-09-18 cs.LG eess.SP stat.AP
Statistical Inference for Clustering-based Anomaly Detection
University of Information Technology, Ho Chi Minh City, Vietnam（越南胡志明市信息技术大学）；Vietnam National University, Ho Chi Minh City, Vietnam（越南国家大学）；RIKEN, Japan（日本理化学研究所）
本文提出SI-CLAD框架，通过选择性推断严格控制基于聚类的异常检测中的误检率，并引入策略提升真实检测率，实验验证了其卓越性能。
2025-04-25 cs.LG stat.ML
CAD-DA: Controllable Anomaly Detection after Domain Adaptation by Statistical Inference
RIKEN（理化学研究所）；National Taiwan University（国立台湾大学）；Nagoya University（名古屋大学）
提出CAD-DA方法，利用条件选择性推断解决域适应影响，首次实现域适应背景下误识别异常概率可控的有效统计推断。
2023-10-23 cs.LG stat.ML
Post-Anomaly Detection Inference for Deep SVDD
University of Information Technology（信息技术大学）；Vietnam National University, Ho Chi Minh City（胡志明市越南国家大学）
提出PADI框架，基于选择性推断为Deep SVDD提供统计有效的异常检测后推断，控制误报率并提升真阳性率。
2026-09-30 cs.LG stat.ML
Statistical Test for Anomaly Detections by Variational Auto-Encoders
Nagoya Institute of Technology（名古屋工业大学）；Nagoya University（名古屋大学）；University of Information Technology（信息技术大学）；Vietnam National University（越南国家大学）；RIKEN（理化学研究所）
本文提出VAE-AD Test方法，基于选择性推断框架量化变分自编码器异常检测的统计可靠性，以p值控制错误检测概率，并在人工数据和脑图像分析中验证了其有效性。
2024-06-02 cs.LG stat.ML
Conformal Anomaly Detection in Python: Moving Beyond Heuristic Thresholds with nonconform
Intelligent Systems Research Group, Karlsruhe University of Applied Sciences（卡尔斯鲁厄应用科学大学智能系统研究组）
本文介绍'nonconform'包，通过将异常分数转换为校准的p值，实现符合性异常检测，提供统一接口和校准方法，支持多种策略，使统计方法更易在实际中应用。
2026-08-05 cs.LG stat.CO stat.ML
OCLEP+: One-class Anomaly and Intrusion Detection Using Minimal Length of Emerging Patterns
Wright State University（莱特州立大学）
本文提出了一种基于新兴模式长度统计的单类分类方法（OCLEP+）。
2018-11-24 cs.LG stat.ML
Robust Spatiotemporally Contiguous Anomaly Detection Using Tensor Decomposition
Michigan State University（密歇根州立大学）
针对现有时空异常检测方法难捕捉依赖关系、多为有监督且无统计置信度的问题，提出一种结合异常稀疏性与时空平滑性的无监督张量分解方法及统计评分框架，在合成与真实数据上验证了有效性。
2025-10-01 cs.LG stat.ME stat.ML
Robust and Computationally-Efficient Anomaly Detection using Powers-of-Two Networks
Seagate US LLC（希捷美国有限责任公司）
视频中鲁棒且计算高效的异常检测是视频监控系统中的一个问题。我们提出了一种技术，以增加鲁棒性和降低计算复杂性度的卷积神经网络（CNN）的异常检测器，利用视频数据的光流信息。我们通过对CNN的中间层输出进行去噪和使用2的幂权重来降低网络的复杂性，该权重用比特移位操作取代了计算上昂贵的乘法操作。在推理期间的去噪操作迫使小值中间层输出为零。由于去噪的结果，网络中的零数量显着增加，我们可以实现CNN比可比网络快10%左右，同时检测测试集中的所有异常。事实证明，去噪操作也提供了鲁棒性，因为小的中间值对最终结果的贡献可以忽略不计。在训练过程中，我们还通过生成对抗网络（GAN）生成运动矢量图像，以提高整个系统的鲁棒性。我们实验观察到，所得到的系统是强大的背景运动。
2019-10-30 cs.LG eess.SP stat.ML
Time-Series Anomaly Classification for Launch Vehicle Propulsion Systems: Fast Statistical Detectors Enhancing LSTM Accuracy and Data Quality
The Aerospace Corporation（航空航天公司）
本文提出基于马哈拉诺斯距离和前向-后向检测分数的统计检测器，用于优化LSTM分类器的训练标签，从而提升发射车辆推进系统时间序列异常分类的准确性和数据质量。
2026-01-07 cs.LG stat.AP stat.ML
Improving Robustness on Seasonality-Heavy Multivariate Time Series Anomaly Detection
North Carolina State University（北卡罗来纳州立大学）；Intuit AI（Intuit 人工智能）
时间序列数据的鲁棒异常检测（AD）是监控许多复杂现代系统的关键组成部分。这些系统通常会生成高维时间序列，这些时间序列可能是高噪声的，季节性的和相互关联的。本文探讨了这些数据中的一些挑战，并提出了一种新的方法，该方法可以提高季节性和污染数据的鲁棒性，同时提供更好的异常根本原因识别。特别是，我们提出使用鲁棒季节性多变量生成对抗网络（RSM-GAN），该网络通过采用卷积LSTM层和注意力机制来扩展GAN的最新进展，以在各种设置上产生出色的性能。我们进行了大量的实验，在这些实验中，该模型不仅在复杂的季节性模式上显示出更强大的行为，而且还显示出对训练数据污染的抵抗力。我们将其与现有的经典和深度学习AD模型进行了比较，结果表明，该架构具有最低的误报率，并在真实世界和合成数据中分别将精度提高了30%和16%。
2020-07-25 cs.LG stat.ML
Anomaly Detection in Univariate Time-series: A Survey on the State-of-the-Art
Technische Universität Darmstadt（达姆施塔特工业大学）
时间序列数据的异常检测一直是一个重要的研究领域。关于异常检测方法的初步工作一直集中在统计方法上。近年来，越来越多的机器学习算法被用来检测时间序列的异常。随后，研究人员试图使用（深度）神经网络来改进这些技术。鉴于异常检测方法的数量不断增加，研究主体缺乏对统计、机器学习和深度学习方法的广泛比较评估。本文研究了这三类中的20种单变量异常检测方法。评估是在公开的数据集上进行的，这些数据集是时间序列异常检测的基准。通过分析每种方法的准确性以及算法的计算时间，我们对这些异常检测方法的性能提供了深入的了解，同时也提供了一些关于哪种方法适合某种类型数据的一般概念。
2020-04-01 cs.LG stat.ML
Locally Adaptive One-Class Classifier Fusion with Dynamic $\ell$p-Norm Constraints for Robust Anomaly Detection
Bilkent University（毕尔肯大学）
本文提出一种基于动态$\ell_p$范数约束的局部自适应单类分类器融合框架，通过内点优化实现最高19倍加速，并在UCI及时序数据集上验证了其在多种异常检测场景中的优越性能。
2024-11-20 cs.LG stat.ML
LSTM-Based Anomaly Detection: Detection Rules from Extreme Value Theory
Indian Institute of Technology Madras（马德拉斯印度理工学院）
在本文中，我们结合流行的交通网络长短期记忆（LSTM）深度学习模型，探索了各种异常检测的统计技术。我们从LSTM模型中获得预测误差，然后应用基于（i）高斯分布，（ii）极值理论（EVT）和（iii）Tukey方法的三种统计模型。使用统计检验和数值研究，我们发现强有力的证据，对广泛采用的高斯分布为基础的检测规则的预测误差。接下来，从极值理论的基本结果的动机，我们提出了一种检测技术，不假设任何父分布的预测误差。通过对几个真实交通数据集的数值实验，我们表明基于EVT的检测规则优于其他检测规则，并得到统计证据的支持。
2019-09-13 cs.LG stat.ML
Robust Anomaly Detection in Images using Adversarial Autoencoders
Ludwig-Maximilians-University Munich（路德维希-马克西米利安慕尼黑大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
可靠地检测给定图像集合中的异常对于视觉质量检查、监视或医学图像分析而言是具有高度实际相关性的任务。自动编码器神经网络学习重建正常图像，因此可以将这些图像分类为异常，其中重建误差超过某个阈值。在这里，我们分析了这种方法的一个基本问题，当训练集被一小部分离群值污染时。我们发现，持续训练的自编码器不可避免地减少异常值的重建误差，从而降低异常检测性能。为了抵消这种影响，采用了对抗性自动编码器架构，该架构对潜在表示施加了先验分布，通常将异常放置在低可能性区域中。利用似然模型，可以在训练期间识别和拒绝潜在的异常，这导致异常检测器在训练期间对异常值的存在显著更鲁棒。
2019-01-18 cs.CV cs.LG stat.ML
Statistical Analysis of Nearest Neighbor Methods for Anomaly Detection
Carnegie Mellon Univeristy（卡内基梅隆大学）
最近邻（NN）过程被广泛研究和应用于监督和无监督学习问题。在本文中，我们关注的是研究基于神经网络的异常检测方法的性能。我们首先通过大量的模拟表明，神经网络方法相比有利的一些其他国家的最先进的算法的异常检测的基础上，一组基准的合成数据集。我们进一步考虑了NN方法在真实数据集上的性能，并将其与问题的维度联系起来。接下来，我们通过研究一个更一般的量称为距离测量（DTM），最初在文献中开发的强大的几何和拓扑推理的NN方法异常检测的理论特性进行分析。我们提供有限样本的经验DTM的统一保证，并使用它们来获得各种设置下的异常观测的误分类率。在我们的分析中，我们依赖于Huber的污染模型，并制定温和的几何规律性假设的数据的基本分布。
2019-07-08 cs.LG math.ST stat.ML
Quantifying Statistical Significance of Deep Nearest Neighbor Anomaly Detection via Selective Inference
Nagoya University（名古屋大学）；RIKEN（理化学研究所）
本文提出通过选择性推断量化深度kNN异常检测的统计显著性，以p值形式控制假阳性率，提升工业应用中的可靠性。
2025-11-28 cs.LG stat.ML
Robust Projection based Anomaly Extraction (RPE) in Univariate Time-Series
Amazon（亚马逊）
本文提出了一种新颖的，封闭的形式，和数据/计算效率的时间序列数据的在线异常检测算法。该方法被称为RPE，是一种基于窗口的方法，与现有的基于窗口的方法形成鲜明对比，它对窗口中异常的存在具有鲁棒性，并且可以在时间戳级别上区分异常。RPE利用时间序列的轨迹矩阵的线性结构，并采用鲁棒投影步骤，该步骤使得算法能够处理其窗口中存在的多个任意大的异常。给出了鲁棒投影步骤的一种封闭形式/非迭代算法，并证明了该算法能够识别出被破坏的时间戳。RPE是一个伟大的候选人的应用程序中，大量的训练数据是不可用的，这是在时间序列领域的常见情况。大量的数值实验表明，RPE可以明显优于现有的方法。
2022-05-31 cs.AI cs.LG stat.ML
Cyclostationary Statistical Models and Algorithms for Anomaly Detection Using Multi-Modal Data
Harvard University（哈佛大学）；U.S. Army Research Laboratory（美国陆军研究实验室）；Booz Allen Hamilton（博思艾伦汉密尔顿）；Duke University（杜克大学）
提出了一种多模态数据异常检测框架。采用基于深度神经网络的对象检测器来从数据中提取对象和子事件的计数。提出了一种循环平稳模型来模拟计数序列中的行为规律。异常检测问题被公式化为一个问题，检测学习循环平稳行为的偏差。序列算法提出了使用所提出的模型来检测异常。所提出的算法被证明是渐近有效的，在一个明确的意义。将开发的算法应用于由CCTV图像和社交媒体帖子组成的多模态数据，以检测纽约市的5K跑步。
2018-07-02 cs.LG eess.SP stat.ME
Robust Subspace Recovery Layer for Unsupervised Anomaly Detection
University of Minnesota（明尼苏达大学）
我们提出了一个神经网络的无监督异常检测与一个新的强大的子空间恢复层（RSR层）。该层试图从给定数据的潜在表示中提取底层子空间，并删除远离该子空间的离群值。它在自动编码器中使用。编码器将数据映射到潜在空间中，RSR层从潜在空间中提取子空间。解码器然后平滑地将底层子空间映射回接近原始内点的“流形”。根据原始位置和映射位置之间的距离区分内点和离群点（内点小，离群点大）。使用图像和文档数据集进行的大量数值实验证明了最先进的精确度和召回率。
2019-12-24 cs.CV cs.LG stat.ML
Statistical Inference for Autoencoder-based Anomaly Detection after Representation Learning-based Domain Adaptation
University of Information Technology（信息技术大学）；Vietnam National University（越南国家大学）；RIKEN AIP（理化学研究所AIP）
本文提出STAND-DA框架，通过选择性推断为域适应后的自编码器异常检测提供有效p值并控制假阳性率，结合GPU加速使统计推断适用于大规模深度架构。
2025-08-09 cs.LG stat.ML
WAIC, but Why? Generative Ensembles for Robust Anomaly Detection
Google Inc.（谷歌公司）
当测试时看到的数据是从与用于生成训练数据的随机生成器不同的随机生成器生成时，机器学习模型会遇到分布外（OoD）错误。将OoD检测扩展到高维数据的一个建议是学习训练分布的易处理的似然近似，并使用它来拒绝不太可能的输入。然而，自然数据上的似然模型本身容易受到OoD错误的影响，甚至将大的似然分配给来自其他数据集的样本。为了缓解这个问题，我们提出了生成集成，鲁棒的密度为基础的OoD检测的方式估计认知的不确定性的似然模型。我们提出了一个令人困惑的观察需要一个解释-虽然可能性措施不能占典型的一组分布，因此不应该是适合自己的OoD检测，WAIC在实践中表现得令人惊讶的好。
2019-05-23 cs.LG stat.ML
Statistical Feature Augmentation for Anomaly Detection in Dynamic Graphs
German Research Centre for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
针对动态图异常检测中深度学习模型难学习短期交互信号的问题，提出统计特征增强方法，在三个真实数据集和七种模型上验证其可提升检测性能，支持细粒度行为分析，展示了经典网络分析与深度学习结合的可行路径。
2026-09-04 cs.LG cs.SI stat.ML
Towards Robust and Transferable IIoT Sensor based Anomaly Classification using Artificial Intelligence
Siemens Technology（西门子技术公司）；Siemens Digital Industries（西门子数字工业）
随着低成本工业物联网（IIoT）传感器平台在工业资产上的部署越来越多，工业工厂中的异常分类将有很大的机会。这种分类模型的性能高度依赖于可用的训练数据。当训练数据来自同一台机器时，模型表现良好。然而，一旦机器在不同的环境中被更换、修理或投入运行，预测往往会失败。出于这个原因，我们调查是否有一个强大的和可转移的方法，用于基于AI的异常分类，使用不同的模型和预处理步骤的离心泵，这些离心泵在相同和不同的环境中被拆除并重新投入运行。此外，我们研究了来自相同类型的不同泵的模型性能与来自训练数据的模型性能的比较。
2021-10-07 cs.AI cs.LG eess.SP
Statistical Anomaly Detection via Composite Hypothesis Testing for Markov Models
Boston University（波士顿大学）
本文提出一种基于复合假设检验的新估计器，用于改进异常检测中的阈值估计，在通信网络和交通网络中验证了其在减少误报和保持检测概率方面的优势。
2017-08-18 cs.SY eess.SY math.OC
An Interpretable Generative Framework for Anomaly Detection in High-Dimensional Financial Time Series
Department of Information Systems & Analytics（信息系统与分析系）；Farmer School of Business（农民商学院）
ReGEN-TAD通过结合现代机器学习与经济计量诊断，提出了一种可解释的生成框架，用于高维金融时间序列中的异常检测，提升了鲁棒性和经济一致性。
2026-03-09 cs.LG stat.ML
RDDPM: Robust Denoising Diffusion Probabilistic Model for Unsupervised Anomaly Segmentation
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H. Milton Stewart工业与系统工程学院，佐治亚理工学院）
针对仅含受污染无标签数据的场景，提出鲁棒去噪扩散概率模型RDDPM，通过鲁棒回归重释扩散模型，在MVTec上显著提升异常分割性能。
2025-08-04 cs.CV eess.IV stat.ML
Anomaly Detection in Multivariate Non-stationary Time Series for Automatic DBMS Diagnosis
Pohang University of Science and Technology（浦项科技大学）
随着大数据系统中统计量和事件度量的不断增加，数据库管理系统中的异常检测变得越来越困难。在本文中，我提出了一个自动DBMS诊断系统，检测异常期间与异常DB统计指标，并发现因果事件的期间。利用深度编码器的重构误差和统计过程控制方法检测异常时间段。使用事件和异常统计度量之间的时间序列相似性度量来发现相关事件。在使用DBMS度量数据训练深度自动编码器之后，从包含异常的其他DBMS研究异常检测的功效。实验结果表明了该模型的有效性，尤其是批量时间归一化层。提出的模型用于发布自动DBMS诊断报告，以确定DBMS配置和SQL调优。
2017-10-09 cs.LG stat.AP stat.ML
Online false discovery rate control for anomaly detection in time series
EPFL（洛桑联邦理工学院）；Amazon Research（亚马逊研究院）
本文提出了新的规则，错误发现率控制（FDRC）面向在线异常检测时间序列。在线FDRC规则允许控制一系列统计测试的属性。在异常检测的上下文中，原假设是观察结果是正常的，而替代假设是观察结果是异常的。FDRC规则允许用户在无监督设置中设定精度下限。本文提出的方法克服了以往FDRC规则在异常检测方面的不足，特别是确保功率保持较高，即使当替代方案非常罕见（异常检测中的典型）和测试统计量是连续依赖的（时间序列中的典型）。我们在理论和实验中证明了这些规则的合理性。
2021-12-06 cs.LG math.ST stat.ML
Bayesian Anomaly Detection and Classification
African Institute of Mathematical Sciences（非洲数学科学研究所）；South African Radio Astronomical Observatory（南非射电天文台）
统计不确定性很少被纳入机器学习算法，特别是异常检测。在这里，我们提出了贝叶斯异常检测和分类（BADAC）的形式主义，它提供了一个统一的统计方法，在分层贝叶斯框架内的分类和异常检测。BADAC通过边缘化数据的未知、真实价值来处理不确定性。使用模拟数据与高斯噪声，BADAC被证明是优于标准算法的分类和异常检测性能的不确定性的存在下，虽然与显着增加的计算成本。此外，BADAC提供了校准良好的分类概率，对于科学管道的使用很有价值。我们表明，BADAC可以工作在在线模式，是相当强大的模型误差，这可以通过模型选择方法进行诊断。此外，它可以执行无监督的新类检测，并可以自然地扩展到搜索数据的异常子集。因此，BADAC是理想的计算成本是不是一个限制因素和统计的严谨性是重要的。我们讨论的近似，以加快BADAC，如使用高斯过程，最后引入一个新的度量，排名加权得分（RWS），这是特别适合于评估算法的能力，以检测异常。
2019-02-22 cs.AI cs.LG stat.ML
Robust, Deep and Inductive Anomaly Detection
University of Sydney（悉尼大学）；Capital Markets Cooperative Research Centre（资本市场合作研究中心）；Data61/CSIRO（Data61/联邦科学与工业研究组织）；Australian National University（澳大利亚国立大学）
PCA是一种经典的统计技术，其简单性和成熟性已经被广泛用作异常检测技术。然而，它在这方面受到限制，因为它对输入的总扰动敏感，并且通过寻找捕获正常行为的线性子空间。第一个问题已经由鲁棒PCA处理，这是PCA的一种变体，明确允许某些数据点被任意损坏，然而，这并没有解决第二个问题，并且实际上引入了一个新的问题，即人们不再能够在测试集上归纳发现异常。本文解决了这两个问题，在一个单一的模型，强大的自动编码器。该方法学习一个非线性子空间，它捕获大多数数据点，同时允许一些数据具有任意损坏。该模型易于训练，并利用了深度神经网络优化的最新进展。在一系列真实数据集上的实验突出了该模型的有效性。
2017-07-30 cs.CV cs.LG stat.ML
Neural Bayesian Anomaly Mitigation: A Robust Loss that Doubles as an Unsupervised Contamination Classifier
Astrophysics Group, Cavendish Laboratory, University of Cambridge（剑桥大学卡文迪许实验室天体物理组）；Institute of Astronomy, University of Cambridge（剑桥大学天文研究所）
提出神经贝叶斯异常缓解（NBAM）损失，基于贝叶斯潜变量混合模型，既提供鲁棒监督损失又输出无监督污染后验，在CIFAR-10上优于Huber等基线。
2026-06-16 astro-ph.CO cs.LG stat.ML
Random Subspace Mixture Models for Interpretable Anomaly Detection
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Maryland（马里兰大学）
我们提出了一种新的基于子空间的方法来构建高维数据的概率模型，并强调其在异常检测中的应用。该方法是基于概率密度的统计估计，使用随机子空间的密度与几何平均相结合。在选择随机子空间时，使用每个属性的相等表示来确保正确的统计极限。高斯混合模型（GARCH）用于创建每个子空间的概率密度，包括减轻奇异性的技术，允许处理数值和类别属性的能力。通过贝叶斯信息准则自动确定每个GMM的分量数，以防止过拟合。与针对基准异常检测数据集的突出算法相比，所提出的算法获得了具有竞争力的AUC分数，并具有简单，可扩展和可解释的额外好处。
2021-08-13 cs.AI cs.LG stat.ML
Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection
Cranberry-Lemon University（蔓越莓柠檬大学）；University of the Witwatersrand（金山大学）
我们提出了一个端到端的可微神经网络架构，通过将序列概率比测试的预测残差进行异常检测的多元时间序列。该架构是一个级联的动态系统，旨在将信号的线性可预测成分（如趋势和季节性）与非线性成分分开。前者由局部线性动态层建模，其残差被馈送到一个通用的时间卷积网络，该网络还聚合来自不同时间序列的全局统计数据，作为每个时间序列的局部预测的上下文。最后一层实现了异常检测器，它利用预测残差的时间结构来检测孤立点异常和设定点变化。它是基于一个新的应用程序的经典的F-SUM算法，适应通过使用变分近似的f-发散。该模型自动适应观测信号的时间尺度。它在一开始就近似SARIMA模型，并自动调整到信号及其协变量的统计数据，而无需监督，因为观察到更多的数据。由此产生的系统，我们称之为STRIC，在多个异常检测基准上优于最先进的鲁棒统计方法和深度神经网络架构。
2022-02-25 cs.LG cs.SY eess.SY
