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
Cluster-Aware Causal Mixer for Online Anomaly Detection in Multivariate Time Series
University of California, Berkeley(加州大学伯克利分校)
本文提出了一种基于聚类的因果混合器,用于多变量时间序列的在线异常检测,通过聚类处理通道间的相关性,结合因果混合器保持时间因果性,并开发了序列异常评分方法以提高检测准确性。
2026-06-04 cs.LG 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
TAnoGAN: Time Series Anomaly Detection with Generative Adversarial Networks
Queensland University of Technology(昆士兰科技大学)
时间序列数据的异常检测是制造业、医学成像和网络安全等应用领域面临的一个重要问题。近年来,生成对抗网络(GAN)在图像域的生成和异常检测方面受到了关注。在本文中,我们提出了一种新的基于GAN的无监督方法TAnoGan,用于在少量数据点可用时检测时间序列中的异常。我们用46个真实世界的时间序列数据集来评估TAnoGan,这些数据集涵盖了各个领域。大量的实验结果表明,TAnoGan表现优于传统的和神经网络模型。
2020-09-25 cs.CV cs.LG stat.ML
Feedforward Neural Network for Time Series Anomaly Detection
Tencent Company(腾讯公司);National University of Singapore(新加坡国立大学)
时间序列异常检测通常被表述为发现相对于一些通常数据的异常数据点,这也是工业界和学术界的一个重要问题。为了确保系统稳定运行,互联网公司,银行和其他公司需要监控时间序列,这被称为KPI(关键性能指标),如CPU使用量、订单数、在线用户数等。然而,数以百万计的时间序列有几种形状(例如,季节性KPI、定时任务的KPI和所使用的CPU的KPI),使得很难使用简单的统计模型来检测所有类型的时间序列的异常。虽然一些异常检测器已经发展了很多年,一些监督模型也可以在这个领域,我们发现许多方法都有自己的缺点。在本文中,我们提出了我们的系统,这是基于深度前馈神经网络和检测时间序列的异常点。我们的系统与其他基于监督模型的系统之间的主要区别在于,我们不需要对时间序列进行特征工程来训练深度前馈神经网络,这本质上是一个端到端的系统。
2018-12-21 cs.AI cs.LG stat.ML
NVAE-GAN Based Approach for Unsupervised Time Series Anomaly Detection
近年来,人们利用变分自动编码器(VAE)进行了大量的时间序列异常检测研究。时间序列异常检测在网络监控、设备维护、信息安全等领域有着重要的作用,但由于时间序列中存在大量的噪声数据和复杂的异常模式,很难对时间序列进行高精度的异常检测。从最近的研究中,我们受到新VAE(NVAE)的启发,并提出了我们的异常检测模型:时间序列图像VAE(T2IVAE),一个无监督的模型,基于单变量序列的NVAE,将一维时间序列转换为二维图像作为输入,并采用重建误差来检测异常。此外,我们还将基于生成对抗网络的技术应用于T2IVAE训练策略,旨在减少过拟合。我们在三个数据集上评估了模型的性能,并使用F1得分将其与其他几种流行的模型进行了比较。T2IVAE在Numenta Anomaly Benchmark上达到0.639,在NASA的公共数据集上达到0.651,在我们收集的真实场景数据集上达到0.504,优于其他比较模型。
2021-01-08 cs.LG stat.ML
Warping Resilient Scalable Anomaly Detection in Time Series
IIT Palakkad(帕拉克卡德印度理工学院);Queen’s University Belfast(贝尔法斯特女王大学)
时间序列数据在包括医疗保健、社交媒体和犯罪监控在内的各个领域的现实问题中无处不在。在时间序列数据中检测异常或不规则和罕见事件,可以使我们能够在任何自然现象中发现异常事件,这可能需要特殊处理。此外,标记的异常实例很难在时间序列数据中获得。另一方面,时间序列数据,由于其性质,往往表现出局部膨胀和压缩的时间维度,这就是所谓的翘曲。这两个挑战使得难以检测时间序列中的异常,因为通常这种扭曲可能被错误地检测为异常。我们的目标是建立一个异常检测模型,是强大的这种翘曲变化。在本文中,我们提出了一种新的无监督的时间序列异常检测方法,WaRTEm-AD,分两个阶段进行操作。在表示学习的关键阶段,我们采用数据增强,通过定制的时间序列操作符,通过一个双自动编码器架构,学习扭曲的时间序列数据的鲁棒表示。其次,采用最先进的异常检测方法的适应性学习表示,以识别异常。我们将说明WaRTEm-AD旨在检测两种类型的时间序列异常:点和序列异常。我们将WaRTEm-AD与最先进的基线进行比较,并在异常检测性能和计算效率方面建立了我们的方法的有效性。
2021-10-02 cs.LG stat.ML
CRATOS: Cognition of Reliable Algorithm for Time-series Optimal Solution
Huawei Technologies Co.(华为技术有限公司)
时间序列异常检测在可靠性系统工程中发挥着重要作用。然而,在实际应用中,在不同的应用场景中,正常和异常行为之间没有精确定义的边界。因此,对不同情况下的时间序列应采用不同的异常检测算法和过程。虽然这种策略提高了异常检测的准确性,但从业人员需要花费大量时间将各种算法配置到数百万系列,这大大增加了异常检测流程的开发和维护成本。在本文中,我们提出了CRATOS,这是一个自适应的算法,提取特征的时间序列,然后聚类到一组具有相似特征的序列。对于每个组,我们利用进化算法来搜索最佳的异常检测方法和流程。我们的方法可以显着降低异常检测的开发和维护成本。实验结果表明,本文提出的聚类方法取得了较好的效果。本文提出的异常检测算法的准确率为85.1%。
2020-10-15 cs.LG cs.NE stat.ML
anomaly : Detection of Anomalous Structure in Time Series Data
针对时间序列中点异常与集体异常的检测区分难题,研究团队开发anomaly包,提供多种检测方法并实现Collective And Point Anomaly系列算法,验证了其在模拟与真实数据上的应用效果。
2024-01-29 stat.AP
Anomaly detection by partitioning of multi-variate time series
IRIT, Université Toulouse 3 - Paul Sabatier, CNRS(图卢兹第三大学(保罗·萨巴捷大学)IRIT研究所,法国国家科学研究中心);IRIT, Université Toulouse 2 - Jean Jaurès, CNRS(图卢兹第二大学(让·饶勒斯大学)IRIT研究所,法国国家科学研究中心)
针对多变量时间序列异常检测,提出无监督方法 PARADISE,通过聚类相关系数划分变量并在子集上局部检测,实验显示性能显著提升。
2025-09-22 cs.LG eess.SP stat.ML
Time-Series Anomaly Detection Service at Microsoft
University of Chinese Academy of Sciences(中国科学院大学);Peking University(北京大学);Microsoft(微软)
大型公司需要实时的监控其应用程序和服务的各种指标(例如,页面浏览量和收入)。在微软,我们开发了一种时间序列异常检测服务,帮助客户持续监控时间序列,并及时提醒潜在的事件。在本文中,我们介绍了我们的异常检测服务的管道和算法,它被设计为准确,高效和通用。该流水线由三个主要模块组成,包括数据摄取、实验平台和在线计算。针对时间序列异常检测问题,提出了一种基于谱残差(SR)和卷积神经网络(CNN)的异常检测算法。我们的工作是第一次尝试借用SR模型从视觉显著性检测领域的时间序列异常检测。此外,我们创新性地将SR和CNN结合在一起,以提高SR模型的性能。与公共数据集和Microsoft生产数据的最新基线相比,我们的方法实现了卓越的实验结果。
2019-06-10 cs.LG stat.ML
VELC: A New Variational AutoEncoder Based Model for Time Series Anomaly Detection
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳))
异常检测是一个经典但值得研究的问题,已经提出了许多基于深度学习的异常检测算法,通常可以取得比传统方法更好的检测结果。针对模型的可重构性和异常分值的计算,提出了一种基于变分自编码器模型(VAE)的时间序列异常检测方法。为了提高模型的重构能力,防止模型不能很好地重构异常样本,我们在VAE的隐空间中加入了一个约束网络,迫使VAE产生与训练样本相似的新隐变量。为了能够在两个特征空间中计算异常分数,我们训练重新编码器以将生成的数据转换到新的潜在空间。为了更好地处理时间序列,我们使用LSTM作为VAE框架的编码器和解码器部分。几个基准测试的实验结果表明,我们的方法优于国家的最先进的异常检测方法。
2020-04-15 cs.LG stat.ML
Conformalized density- and distance-based anomaly detection in time-series data
IITP RAS(俄罗斯科学院信息传输问题研究所);Skoltech(斯科尔科沃科学技术学院)
时间序列数据中的异常(不寻常的模式)在关键情况下提供了基本的、通常是可操作的信息。在医疗保健、入侵检测、金融、安全和飞行安全等领域都可以找到这样的例子。在本文中,我们提出了新的一致的密度和距离为基础的异常检测算法的一维时间序列数据。该算法使用的特征提取方法的组合,一种方法来评估一个新的观察是否显着不同于以前观察到的数据的分数,并基于共形范式的概率解释这个分数。
2016-08-16 cs.LG stat.AP stat.ML
Intrinsic Anomaly Detection for Multi-Variate Time Series
University of Toronto(多伦多大学);Vector Institute(向量研究所);Zalando Research(Zalando研究院);Morgan Stanley(摩根士丹利);Technical University of Munich(慕尼黑工业大学);Amazon Research(亚马逊研究院)
我们介绍了一种新的,在多变量时间序列中的异常检测问题的实际相关的变化:内在异常检测。它出现在从DevOps到物联网的各种实际场景中,我们希望识别在周围环境影响下运行的系统的故障。内在异常是表示环境的时间序列与表示置于所述环境中的系统的内部状态的时间序列之间的函数依赖性结构的变化。我们正式提出这个问题,提供了研究不足的公共和新的专用数据集,并提出了处理固有异常检测的方法。这些解决了现有异常检测方法的缺点,即不能区分系统状态的预期变化和意外变化,系统中偏离环境影响的变化。我们最有前途的方法是完全无监督的,并结合了对抗学习和时间序列表示学习,从而解决了标签稀疏性和主观性等问题,同时允许导航和改进臭名昭著的有问题的异常检测数据集。
2022-06-29 cs.LG stat.ML
TPA-AD: A Two-Stage Pseudo Anomaly-Guided Method for Bearing Time-Series Anomaly Detection
CQSF.com(重庆师范大学);Huadian University(哈尔滨理工大学)
提出一种两阶段伪异常引导方法TPA-AD,通过重构模型和特征误差控制生成边界伪异常窗口,结合对比学习与KNN实现无监督轴承时间序列异常检测,在轴承故障和退化数据集上表现稳定且具泛化性。
2026-06-02 cs.AI cs.LG stat.ML
Multivariate Time-series Anomaly Detection via Graph Attention Network
Microsoft(微软);Peking University(北京大学)
多元时间序列的异常检测在数据采掘研究和工业应用中具有重要意义。最近的方法在这一主题上取得了重大进展,但仍然存在局限性。一个主要的限制是,它们没有明确地捕捉不同时间序列之间的关系,导致不可避免的误报。在本文中,我们提出了一种新的自监督框架的多元时间序列异常检测来解决这个问题。我们的框架将每个单变量时间序列视为一个单独的特征,并包括两个并行的图形注意力层,以学习多变量时间序列在时间和特征维度上的复杂依赖关系。此外,我们的方法联合优化基于预测的模型和基于构造的模型,通过单时间戳预测和整个时间序列的重构相结合,获得更好的时间序列表示。我们通过大量的实验证明了我们的模型的有效性。所提出的方法优于其他国家的最先进的模型在三个真实世界的数据集。进一步的分析表明,我们的方法具有良好的解释性,是有用的异常诊断。
2020-09-04 cs.LG stat.ML
Graph-Augmented Normalizing Flows for Anomaly Detection of Multiple Time Series
Pennsylvania State University(宾夕法尼亚州立大学);MIT-IBM Watson AI Lab, IBM Research(IBM研究院MIT-IBM沃森人工智能实验室)
异常检测是针对各种各样的数据类型的广泛研究的任务;其中,多个时间序列频繁地出现在应用中,包括例如电网和交通网络。然而,检测多个时间序列的异常是一个具有挑战性的课题,因为组成序列之间存在复杂的相互依赖关系。我们假设异常发生在低密度区域的分布和探索使用规范化流的无监督异常检测,因为他们的质量优越的密度估计。此外,我们提出了一种新的流量模型,通过施加贝叶斯网络之间的组成系列。贝叶斯网络是一种有向无环图(DAG),它对因果关系进行建模;它将序列的联合概率分解为易于评估的条件概率的乘积。我们把这种图增强的归一化流方法称为GANF,并提出了DAG与流参数的联合估计。我们在真实世界的数据集上进行了广泛的实验,并证明了GANF在密度估计,异常检测和时间序列分布漂移识别方面的有效性。
2022-05-08 cs.LG stat.ML
Multivariate Time Series Anomaly Detection using DiffGAN Model
College of Science, University of Shanghai for Science and Technology(上海理工大学理学院)
针对扩散模型中不同扩散步数影响多元时间序列异常检测效果的问题,本文提出DiffGAN方法,通过在去噪器中引入生成对抗网络同时生成噪声数据并预测扩散步数,实验表明其异常检测性能优于多个最先进的重建模型。
2025-01-03 cs.LG math.ST stat.TH
An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series
最近提出了几种多变量时间序列异常检测技术,但缺乏对一组常见的数据集和度量的系统比较。本文对基于无监督和半监督深度学习的方法进行了系统和全面的评估,用于对来自网络物理系统的多变量时间序列数据进行异常检测和诊断。与以前的作品不同,我们通过10个模型和4个评分函数的网格来改变模型和模型误差的后处理,即评分函数彼此独立,将这些变体与最先进的方法进行比较。在时间序列异常检测中,检测异常事件比检测单个异常时间点更重要。通过实验,我们发现现有的评价指标要么没有考虑事件,要么不能区分好的检测器和平凡的检测器,如随机检测器或全正检测器。我们提出了一个新的度量,以克服这些缺点,即,复合F分数($Fc_1$),用于评估时间序列异常检测。我们的研究强调,动态评分函数的工作比静态的多变量时间序列异常检测,评分函数的选择往往比选择的基础模型更重要。我们还发现,一个简单的通道模型-单变量全连接自动编码器,具有动态高斯评分函数,是异常检测和诊断的获胜候选者,击败了最先进的算法。
2021-09-23 cs.AI cs.LG stat.ML
A Review on Self-Supervised Learning for Time Series Anomaly Detection: Recent Advances and Open Challenges
University of the Basque Country UPV/EHU(巴斯克大学UPV/EHU);Basque Center for Applied Mathematics (BCAM)(巴斯克应用数学中心)
本文综述了时间序列异常检测中自监督学习的最新方法,提出分类体系以理解其多样性,并提供GitHub仓库供后续更新。
2025-07-29 cs.LG stat.ML
ReRe: A Lightweight Real-time Ready-to-Go Anomaly Detection Approach for Time Series
Norwegian University of Science and Technology(挪威科技大学);Simula Research Laboratory(西穆拉研究实验室)
异常检测是入侵检测、网络监控、系统健康监控、物联网医疗等领域的一个活跃的研究课题。然而,许多现有的异常检测方法需要人工干预或领域知识,并且可能具有较高的计算复杂度,从而阻碍了它们在现实世界场景中的适用性。因此,能够实时的【形】检测异常的轻量级和随时可用的方法是非常受欢迎的。这种方法可以很容易地和立即应用到任何商品机器上执行时间序列异常检测。这种方法可以及时提供异常警报,从而能够尽早采取适当的对策。考虑到这些目标,本文介绍了ReRe,这是一个实时的【形】准备去主动异常检测算法的流时间序列。ReRe采用两个轻量级的长短期记忆(LSTM)模型,基于短期历史数据点和两个长期自适应阈值来预测和联合确定即将到来的数据点是否异常。基于真实时间序列数据集的实验表明,ReRe算法在不需要人工干预或领域知识的情况下,具有良好的实时的【形】异常检测性能.
2022-12-04 cs.LG stat.ML
Monte Carlo EM for Deep Time Series Anomaly Detection
AWS AI Labs(AWS 人工智能实验室);Technical University of Munich(慕尼黑工业大学)
时间序列数据经常被离群值或其他类型的异常所破坏。识别异常点本身可以是一个目标(异常检测),也可以是提高其他时间序列任务(例如预测)性能的一种手段。最近基于深度学习的异常检测和预测方法通常假设训练数据中的异常比例小到足以忽略,并将未标记的数据视为来自标称数据分布。我们提出了一个简单而有效的技术,用于增强现有的时间序列模型,使他们明确占异常的训练数据。通过增加训练数据与潜在的异常指标变量,其分布推断,同时使用Monte Carlo EM训练底层模型,我们的方法同时推断异常点,同时提高模型性能的标称数据。我们证明了该方法的有效性,结合它与一个简单的前馈预测模型。我们调查如何异常的训练集影响训练的预测模型,这是常用的时间序列异常检测,并表明我们的方法提高了训练的模型。
2021-12-29 cs.LG stat.ML
TiSAT: Time Series Anomaly Transformer
University of South Florida(南佛罗里达大学)
虽然时间序列中的异常检测已经是一个活跃的研究领域了好几年,但最近的方法采用了一个不充分的评估标准,导致F1分数膨胀。我们表明,一个基本的随机猜测方法可以优于国家的最先进的检测器在这个流行的,但错误的评价标准。在这项工作中,我们提出了一个适当的评价指标,衡量检测序列异常的及时性和精度。此外,大多数现有的方法无法从长序列中捕获时间特征。基于自注意力的方法,如Transformers,已被证明在捕获远程依赖关系方面特别有效,同时在训练和推理期间具有计算效率。我们还提出了一个有效的Transformer方法在时间序列中的异常检测,并广泛评估我们提出的方法在几个流行的基准数据集。
2022-03-10 cs.LG eess.SP stat.ML
Anomaly Detection on Seasonal Metrics via Robust Time Series Decomposition
Web服务的稳定性和持久性对于互联网公司改善用户体验和业务绩效至关重要。为了关注众多指标并报告异常情况,时间序列异常检测方法被开发并被公司和机构的各个部门应用。在本文中,我们提出了一个强大的异常检测算法(MEDIFF),实时监测在线业务指标。具体而言,分解方法使用强大的统计度量-中位数-的时间序列被应用到解耦的趋势和季节成分。在考虑夏令时偏移和节假日影响的情况下,对时间序列进行分解。对分解后的残差进行广义统计检验,发现时间序列中的异常值。我们比较了建议MEDIFF算法与两个开源算法(SH-ESD和DONUT),通过使用我们标记的内部业务指标。实验结果证明了所提出的MEDIFF算法的有效性。
2020-08-21 stat.AP
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
Multi-scale streaming anomalies detection for time series
在单变量时间序列的流异常检测算法中,计算各种统计量的滑动窗口的大小是一个重要参数。为了解决时间序列的伪周期性的尺度的异常变化,我们定义了一个流多尺度异常分数与流PCA在多尺度滞后矩阵。我们定义了三种多尺度异常分数的聚合方法。我们评估他们在Yahoo!和Numenta数据集,用于无监督异常检测基准。据作者所知,这是第一次提出并系统研究了多尺度流异常检测。
2017-06-21 stat.AP
RePAD: Real-time Proactive Anomaly Detection for Time Series
Norwegian University of Science and Technology(挪威科技大学);Simula Research Laboratory(Simula研究实验室)
在过去的十年中,许多异常检测方法已被引入到不同的领域,如网络监控,欺诈检测和入侵检测。然而,它们需要理解数据模式,并且通常需要很长的离线时间来为目标数据构建模型或网络。在没有人工干预和领域知识的情况下为流式时间序列提供实时的和主动的异常检测是非常有价值的,因为它大大减少了人工努力,并且使得能够在灾难性损坏、故障或其他有害事件发生之前采取适当的对策。然而,这一问题尚未得到很好的研究。为了解决这个问题,本文提出了RePAD,这是一种基于长短期记忆(LSTM)的流时间序列实时的主动异常检测算法。RePAD利用短期历史数据点来预测和确定即将到来的数据点是否是异常可能在不久的将来发生的迹象。通过随时间动态调整检测阈值,RePAD能够容忍时间序列中的微小模式变化,并主动或及时检测异常。基于从Numenta Anomaly Benchmark收集的两个时间序列数据集的实验表明,RePAD能够主动检测异常并在没有人为干预和领域知识的情况下实时的提供早期预警。
2023-01-09 cs.LG stat.ML
Anomaly Detection at Scale: The Case for Deep Distributional Time Series Models
Amazon Research(亚马逊研究院)
本文介绍了一种用于检测时间序列数据中异常的新方法,主要应用于监控(微)服务和云资源的健康状况。在我们的方法中的主要新颖之处是,而不是建模的时间序列组成的真实值或向量的真实值,我们模型的时间序列的概率分布的真实值(或向量)。这种对概率分布时间序列的扩展允许该技术应用于常见场景,其中数据由进入服务的请求生成,然后以固定的时间频率聚合。我们的方法适合于流式异常检测,并可扩展到数百万个时间序列上的异常监测。我们展示了我们的方法在合成和公共真实世界数据上的优越准确性。在Yahoo Webscope数据集上,我们在4个数据集中的3个数据集中表现优于最先进的技术,并且我们表明,对于真实世界的数据集,我们的表现优于流行的开源异常检测工具,平均提高高达17%。
2020-07-30 cs.LG stat.ML
Robust PCA for Anomaly Detection and Data Imputation in Seasonal Time Series
Quantmetry(Quantmetry公司);ENSIIE(法国国立高等工业工程学校);Université Paris Saclay(巴黎萨克雷大学)
我们提出了一个强大的主成分分析(RPCA)框架,以恢复低秩和稀疏矩阵的时间观测。我们开发了一个在线版本的批量时态算法,以处理更大的数据集或流数据。我们实证比较所提出的方法与不同的RPCA框架,并显示其在实际情况下的有效性。
2022-08-03 cs.LG stat.ML
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
Anomaly Detection on Graph Time Series
本文利用变分递归神经网络研究了图时间序列的异常检测问题。时间相关性由递归神经网络(RNN)和变分推理(VI)的组合来建模,而空间信息由图卷积网络来捕获。为了更好地考虑外部因素,我们使用特征提取器来增加隐变量的转换,从而可以学习外部因素的影响。以累积ELBO为目标函数,可以方便地将该模型推广到在线方法。对交通流数据的实验研究表明了该方法的检测能力。
2022-05-29 cs.LG cs.NE stat.ML
OML-AD: Online Machine Learning for Anomaly Detection in Time Series Data
Technische Universität Darmstadt(达姆施塔特工业大学);FH Aachen - University of Applied Sciences(亚琛应用科学大学)
针对现有异常检测方法不适用于非平稳时间序列的问题,提出基于在线机器学习的OML-AD方法,在River库实现且准确率与计算效率均优于现有最优基线。
2024-09-15 cs.LG stat.ML
An Adaptive Approach for Anomaly Detector Selection and Fine-Tuning in Time Series
Alibaba Inc(阿里巴巴公司)
时间序列的异常检测是时间序列数据挖掘的一个热点。不同的异常检测器自身的特点决定了它们所擅长的异常数据。没有检测器可以在所有类型的异常中进行优化。此外,由于单个探测器不能在同一时间序列的不同时间窗口进行优化等问题,该方法在工业生产中仍然存在困难。提出了一种基于时间序列特征,选择合适的检测器和运行时参数进行异常检测的自适应模型--ATSDLN(Adaptive时间序列Detector Learning Network)。我们将时间序列作为模型的输入,通过FCN学习时间序列的表示。为了实现根据输入时间序列自适应地选择检测器和运行时参数,FCN的输出分别作为检测器选择网络和运行时参数选择网络的输入。此外,参数选择子网络的变层宽设计和迁移学习的引入使模型具有更强的可扩展性。通过实验发现,ATSDLN能够选择合适的异常检测器和运行时参数,具有很强的可扩展性,能够快速地进行迁移。我们在公开数据集上研究了ATSDLN的性能,我们的方法在大多数情况下优于其他方法,具有更高的效果和更好的适应性。我们还展示了在公共数据集上的实验结果,以证明模型结构和迁移学习如何影响有效性。
2019-07-18 cs.LG stat.ML
RSM-GAN: A Convolutional Recurrent GAN for Anomaly Detection in Contaminated Seasonal Multivariate Time Series
North Carolina State University(北卡罗来纳州立大学);Intuit Inc.(财捷公司)
强大的异常检测是监控复杂的现代系统的一项要求,这些系统具有网络安全、欺诈预防和维护等应用。这些系统生成多个相关的时间序列,这些时间序列具有高度的季节性和噪声。本文提出了一种用于多变量时间序列异常检测的新型无监督深度学习架构,称为鲁棒季节性多变量生成对抗网络(RSM-GAN)。它扩展了GANs的最新进展,采用了卷积LSTM层和注意力机制来产生最先进的性能。我们进行了大量的实验,以证明我们的架构在调整复杂的季节性模式和处理严重的训练数据污染水平的实力。我们还提出了一个新的异常分数分配和因果推理框架。我们将RSM-GAN与现有的经典和基于深度学习的异常检测模型进行了比较,结果表明,我们的架构具有最低的误报率,并且在真实世界和合成数据中分别将精度提高了30%和16%。此外,我们报告了RSM-GAN在所有数据设置中准确识别根本原因和NAB评分方面的优越性。
2019-11-16 cs.LG stat.ML
Low Rank Transformer for Multivariate Time Series Anomaly Detection and Localization
KIOS Research and Innovation Center of Excellence(KIOS研究与创新中心卓越研究所);Department of Electrical and Computer Engineering, University of Cyprus(电子与计算机工程系,塞浦路斯大学);Department of Mathematics and Statistics, University of Cyprus(数学与统计学系,塞浦路斯大学)
本文提出低秩变换器模型,通过低秩正则化和Attention Low-Rank score提升多变量时间序列异常检测与定位性能。
2026-02-09 cs.LG stat.ML
MultiResolution Anomaly Detection Method for Long Range Dependent Time Series
在网络入侵检测的驱动下,提出了一种多分辨率异常检测(MRAD)方法,有效地利用了互联网特征和网络异常的多尺度特性。在本文中,几个理论性质的MRAD方法进行了探讨。一个主要的新结果是以下概念的数学公式:两个尺度的MRAD方法具有比基于给定两个尺度的检测方法的平均功率更大的功率。测试阈值也被开发。并将MRAD方法与其他经典的时间序列异常检测器进行了比较。
2008-09-08 math.ST stat.TH
Variational Inference for On-line Anomaly Detection in High-Dimensional Time Series
Technische Universität München(慕尼黑工业大学);fortiss(福蒂斯研究所)
近似变分推断已被证明是建模未知复杂概率分布的有力工具。该领域的最新进展使我们能够学习积极利用空间和时间结构的序列的概率模型。我们应用随机递归网络(STORN)来学习机器人时间序列数据。我们的评估表明,我们可以鲁棒地检测异常离线和在线。
2016-06-14 cs.LG stat.ML
AER: Auto-Encoder with Regression for Time Series Anomaly Detection
MIT(麻省理工学院);IRD(法国国家可持续发展研究所)
时间序列数据的异常检测在各种工业领域越来越普遍,这些工业领域监控指标以防止潜在的事故和经济损失。然而,标记数据的缺乏和异常的模糊定义可能会使这些工作复杂化。最近的无监督机器学习方法在使用单时间戳预测或时间序列重建来解决这个问题方面取得了显着进展。虽然传统上被认为是分开的,这些方法并不相互排斥,可以提供互补的异常检测的观点。本文首先强调了基于预测和基于重建的方法与可视化的时间序列信号和异常分数的成功和局限性。然后,我们提出了AER(带回归的自动编码器),这是一个联合模型,它结合了一个普通的自动编码器和一个LSTM回归器,以结合成功并解决每种方法的局限性。我们的模型可以产生双向预测,同时通过优化联合目标函数来重建原始时间序列。此外,我们提出了几种方法相结合的预测和重建误差,通过一系列的消融研究。最后,我们比较了两种基于预测的方法和三种基于重建的方法对来自NASA,Yahoo,Numenta和UCR的12个著名的单变量时间序列数据集的AER架构的性能。结果表明,AER在所有数据集上的平均F1得分最高(与ARIMA相比提高了23.5%),同时保持了与其vanilla自动编码器和回归器组件相似的运行时间。我们的模型可以在Orion中使用,Orion是一个用于时间序列异常检测的开源基准测试工具。
2022-12-27 cs.LG stat.ML
CrossAD: Time Series Anomaly Detection with Cross-scale Associations and Cross-window Modeling
East China Normal University(东华大学);Shandong Inspur Database Technology Co., Ltd.(山东 Inspur 数据库技术有限公司)
CrossAD提出跨尺度重构与查询库机制,显式建模跨尺度关联并融入全局多尺度上下文,突破固定窗口限制,在多个真实数据集上以九种指标达到最先进异常检测性能。
2025-10-14 cs.LG stat.ML
Bayesian online collective anomaly and change point detection in fine-grained time series
本研究提出贝叶斯框架及递归在线推理算法,联合检测细粒度时间序列中的集体异常与变点,并通过集体异常移除将复杂度降至线性,实验验证了其有效性。
2025-08-08 stat.ME
Anomaly Detection on Financial Time Series by Principal Component Analysis and Neural Networks
在处理涉及各种市场风险因素的金融时间序列时,一个主要的关注点是异常现象的存在。这些导致了用于量化和管理风险的模型的错误校准,导致潜在的错误风险度量。本文提出了一种改进金融时间序列异常检测的方法,克服了大多数固有的困难。通过主成分分析对时间序列进行数据压缩和重构,提取有价值的特征。然后,我们使用前馈神经网络定义一个异常分数。当一个时间序列的异常分数超过给定的截止值时,它被认为是被污染的。这个截止值不是一个手动设置的参数,而是在定制的损失函数的最小化过程中作为神经网络参数进行校准。与几种著名的异常检测算法相比,所提出的方法的效率在合成数据集和真实数据集上都得到了数值证明,PCA NN方法具有高而稳定的性能。我们发现,当使用所提出的异常检测模型与基本的插补方法来纠正异常时,风险值估计误差会减少。
2022-10-25 math.ST q-fin.ST stat.ME