Matrix Profile for Time-Series Anomaly Detection: A Reproducible Open-Source Benchmark on TSB-AD
本文提出一种可重复的开源基准TSB-AD,结合多维聚合、高效kNN检索和移动平均后处理,提升时间序列异常检测的可重复性和性能。
2026-04-24 cs.LG
An Unsupervised Time Series Anomaly Detection Approach for Efficient Online Process Monitoring of Additive Manufacturing
College of Engineering and Computer Science, University of Texas Rio Grande Valley(工程与计算机科学学院,德克萨斯理工大学Rio Grande Valley分校);School of Industrial Engineering and Management, Oklahoma State University(工业工程与管理学院,俄克拉荷马州立大学)
针对增材制造在线监测中难以识别细微语义偏离异常的问题,提出一种基于matrix profile的无监督异常检测算法,通过捕捉制造周期相似性与语义分割精确定位缺陷起始点,实验验证了其有效性。
2025-10-11 cs.LG
Isolation Mondrian Forest for Batch and Online Anomaly Detection
University of Waterloo(滑铁卢大学);SoundHound;Facebook
我们提出了一种新的方法,命名为隔离蒙德里安森林(iMondrian森林),批量和在线异常检测。所提出的方法是一种新的混合隔离森林和蒙德里安森林,这是现有的方法,批量异常检测和在线随机森林,分别。iMondrian森林采用了隔离的思想,使用树中节点的深度,并在Mondrian森林结构中实现它。结果是一种新的数据结构,其可以在线方式接受流数据,同时用于异常检测。我们的实验表明,iMondrian森林在批处理设置中的性能大多优于隔离森林,并且与其他批处理和在线异常检测方法相比具有更好或相当的性能。
2020-08-27 cs.LG stat.ML
RoLA: A Real-Time Online Lightweight Anomaly Detection System for Multivariate Time Series
Hogskulen pa Vestlandet (HVL)(西挪威大学学院);Norwegian University of Science and Technology(挪威科技大学)
本文提出RoLA系统,通过分治策略、并行处理和多数表决规则,利用多个轻量级检测器实时在线检测多变量时间序列异常,并在公开数据集上验证了其检测精度与轻量级性能。
2023-05-25 cs.LG
COMET: Codebook-based Online-adaptive Multi-scale Embedding for Time-series Anomaly Detection
Department of Industrial Engineering, Seoul National University, Gwanak-ro 1, Gwanak-gu, Seoul, Republic of Korea;Department of Industrial \& Management Engineering, Korea University, 126-16 Anam-dong 5-ga, Seongbuk-gu, Seoul, Republic of Korea
COMET通过多尺度片段编码、向量量化核心集和在线代码本适应,有效提升时间序列异常检测的性能。
2026-11-10 cs.LG
A Graph-based Framework for Online Time Series Anomaly Detection Using Model Ensemble
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Nanjing Normal University(南京师范大学)
本文提出GDME框架,通过动态图结构和模型集成实现在线时间序列异常检测,实验显示其在检测性能和计算效率上均优于现有方法。
2026-01-04 cs.AI cs.LG
The Analysis of Online Event Streams: Predicting the Next Activity for Anomaly Detection
Utrecht University(乌得勒支大学)
流程挖掘中的异常检测主要关注流程执行中的异常情况或事件。由此产生的诊断用于提供防止欺诈行为的措施,以及获得用于改进流程合规性和安全性的建议。大多数现有的技术集中在检测离线设置中的异常情况。然而,为了及时识别潜在的异常并立即采取对策,有必要实时在线检测事件级异常。在本文中,我们提出了使用下一个活动预测方法来解决在线事件异常检测问题。更具体地说,我们研究了使用ML模型(如RF和XGBoost)和深度模型(如LSTM)来预测下一个活动的概率,并将预测的事件视为不太可能的异常。我们在在线环境中将这些预测异常检测方法与四种经典的无监督异常检测方法(例如隔离森林和LOF)进行了比较。我们的评估表明,使用ML模型的方法往往优于使用深度模型的方法,而这两种方法在检测异常事件方面都优于经典的无监督方法。
2022-03-17 cs.DB cs.LG
Online anomaly detection using statistical leverage for streaming business process events
Ulsan National Institute of Science and Technology (UNIST)(蔚山国家科学技术研究所)
虽然最近在文献中出现了几种用于在离线设置中检测事件日志中的跟踪级异常的技术,但目前缺乏在线设置的这种技术。在线设置中的事件日志异常检测对于发现流程执行中的异常至关重要,一旦异常发生,就可以立即采取早期纠正措施。本文介绍了一种新的方法,事件日志异常检测的事件流,使用统计杠杆。杠杆作用已被广泛用于统计,以制定措施,以确定离群值,它已在本文中的事件流数据的特定场景。所提出的方法已在人工和真实事件流上进行了评估。
2021-03-01 cs.LG stat.CO
CausalTAD: Causal Implicit Generative Model for Debiased Online Trajectory Anomaly Detection
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);DiDi Global Inc.(滴滴全球公司)
本文提出因果隐式生成模型CausalTAD,通过do-演算消除路网偏好混杂偏置,以 $P({T}|do({C}))$ 作为异常判据,在训练轨迹和分布外数据上均显著提升轨迹异常检测性能。
2024-12-25 cs.LG
Adaptive Model Pooling for Online Deep Anomaly Detection from a Complex Evolving Data Stream
UIUC(伊利诺伊大学厄巴纳-香槟分校);KAIST(韩国科学技术院);University of Vermont(佛蒙特大学)
数据流的在线异常检测对于许多应用程序的安全性至关重要,但由于物联网设备和基于云的基础设施的复杂和不断变化的数据流,它正面临着严峻的挑战。不幸的是,现有的方法对于这些挑战来说太短了;在线异常检测方法承担着处理复杂性的负担,而离线深度异常检测方法则受到不断变化的数据分布的影响。本文提出了一个在线深度异常检测框架ARCUS,它可以用任何基于自动编码器的深度异常检测方法来实例化。它处理复杂和不断变化的数据流使用自适应模型池的方法与两个新的技术:概念驱动的推理和漂移感知模型池更新;前者检测异常的组合模型最适合的复杂性,后者适应模型池动态地适应不断变化的数据流。在对10个高维和概念漂移的数据集进行的综合实验中,ARCUS将最先进的基于自动编码器的方法和最先进的流异常检测方法的流变体的异常检测精度分别提高了22%和37%。
2022-06-09 cs.AI cs.DB cs.LG
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
Adaptive NAD: Online and Self-adaptive Unsupervised Network Anomaly Detector
Suda University(苏州大学)
提出一种在线自适应的无监督网络异常检测框架Adaptive NAD,通过两层异常检测策略生成伪标签和在线训练方案,在多个数据集上实现最低误报率和更快推理速度。
2026-06-09 cs.LG eess.SP
METER: A Dynamic Concept Adaptation Framework for Online Anomaly Detection
Beijing Institute of Technology(北京理工大学);National University of Singapore(新加坡国立大学);Zhejiang University(浙江大学)
针对现有在线异常检测方法应对概念漂移能力不足、适配慢的问题,提出基于超网络动态参数调整与证据深度学习漂移检测的METER框架,实验证明其性能显著优于现有方法。
2023-12-28 cs.LG
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 Transition-Based Feature Generation for Anomaly Detection in Concurrent Data Streams
University of Liverpool(利物浦大学)
本文提出TFGen在线特征生成技术,可处理多源并发活动数据流,高效生成带历史编码的特征,以解决异常检测中领域适配、全局结构发现等关键问题。
2023-08-17 cs.DB cs.LG
Online Anomaly Detection in Surveillance Videos with Asymptotic Bounds on False Alarm Rate
University of South Florida(南佛罗里达大学)
监控视频中的异常检测越来越受到人们的关注。尽管最近的方法具有竞争力的性能,但它们缺乏理论性能分析,特别是由于决策中使用的复杂的深层神经网络架构。此外,在线决策是这一领域中一个重要但大多被忽视的因素。许多声称在线的现有方法实际上依赖于批处理或离线处理。出于这些研究的差距,我们提出了一种在线异常检测方法在监控视频的虚警率的渐近界,这反过来又提供了一个明确的过程,选择一个合适的决策阈值,满足所需的虚警率。我们提出的算法由一个多目标深度学习模块和一个统计异常检测模块组成,它的有效性在几个公开的数据集上得到了证明,在这些数据集上,我们的性能优于最先进的算法。所有代码都可以在https://github.com/kevaldoshi17/Prediction-based-Video-Anomaly-Detection-上找到。
2020-10-10 cs.CV cs.LG eess.IV
Attention and Autoencoder Hybrid Model for Unsupervised Online Anomaly Detection
Shiraz University(设拉子大学)
本文提出一种结合注意力机制与自编码器的混合模型,用于时间序列无监督在线异常检测,通过潜在空间预测及误差一阶统计矩分析提升检测准确率。
2024-01-06 cs.AI cs.LG eess.SP
AKM$^2$D : An Adaptive Framework for Online Sensing and Anomaly Quantification
Arizona State University(亚利桑那州立大学);Georgia Institute of Technology(佐治亚理工学院)
在诸如坐标测量机(CMM)和激光超声之类的基于点的传感系统中,由于高传感时间和成本,完整的传感是不切实际的,通过系统的探索进行自适应传感对于在线检测和异常量化至关重要。大多数现有的序贯抽样方法集中于减少整个抽样空间的总体拟合误差。然而,在许多异常量化应用中,主要目标是精确地估计像素级的稀疏异常区域。在本文中,我们开发了一种新的框架,称为自适应核最大最小距离AKM $^2$ D,通过智能序贯抽样计划集成快速估计和检测,以加快检查和异常检测过程。所提出的方法平衡了空间填充采样(勘探)和异常区域附近的集中采样(开采)之间的采样努力。所提出的方法进行了验证,通过模拟和案例研究的异常检测复合板使用导波测试。
2019-10-04 cs.LG eess.SP stat.ML
Unsupervised Anomaly Detection in Stream Data with Online Evolving Spiking Neural Networks
Warsaw University of Technology(华沙理工大学);TECNALIA(泰克纳利亚);University of the Basque Country (UPV/EHU)(巴斯克大学(UPV/EHU))
流数据中的无监督异常发现是一个具有实际应用价值的研究课题。然而,在许多情况下,不容易收集具有标记的异常的足够训练数据用于异常检测器的监督学习,以便稍后部署它来识别流数据中的真实异常。因此,重要的是设计能够在不访问标记的训练数据的情况下正确地检测异常的异常检测器。我们的想法是适应在线进化脉冲神经网络(OeSNN)分类器的异常检测任务。因此,我们提供了一个在线进化的脉冲神经网络的无监督异常检测算法(OeSNN-UAD),它,不像OeSNN,工作在一个无监督的方式,不分离输出神经元到不相交的决策类。OeSNN-UAD使用我们提出的新的两步异常检测方法。此外,我们推导出OeSNN的神经元模型和输入层编码的新的理论性质,这使得我们的OeSNN-UAD方法能够更有效地检测异常。所提出的OeSNN-UAD检测器与Numenta Anomaly Benchmark和Yahoo Anomaly Datasets存储库中的流数据中的异常的最先进的无监督和半监督检测器进行了实验比较。我们的方法优于文献中提供的其他解决方案的情况下,从Numenta异常基准存储库的数据流。此外,在雅虎异常基准存储库的真实数据文件的情况下,OeSNN-UAD优于其他选定的算法,而在雅虎异常基准合成数据文件的情况下,它提供了有竞争力的结果,最近在文献中报道的结果。
2021-03-08 cs.AI cs.LG cs.NE
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
Unsupervised Online Anomaly Detection On Irregularly Sampled Or Missing Valued Time-Series Data Using LSTM Networks
Bilkent University(比尔肯特大学);DataBoss A.S.(DataBoss公司)
我们研究异常检测,并介绍了一种算法,处理可变长度,不规则采样序列或序列缺失值。我们的算法是完全无监督的,但是,可以很容易地扩展到监督或半监督的情况下,异常标签存在的整个文件。我们的方法使用长短期记忆(LSTM)网络来提取时间特征,并找到最相关的特征向量进行异常检测。我们通过使用时间调制门来调制标准LSTM模型,将采样时间信息纳入我们的模型。从LSTM中获得最相关的特征后,我们使用支持向量数据描述符(SVDD)模型标记序列。我们引入了一个损失函数,然后联合优化的特征提取和序列处理机制,在一个端到端的方式。通过这种联合优化,LSTM提取了最相关的异常检测特征,随后用于SVDD,因此完全消除了通过专家知识进行特征选择的需要。此外,我们还为在线设置提供了一个训练算法,当新数据到达时,我们使用单个序列优化模型参数。最后,在现实生活中的数据集上,我们表明,由于LSTM与SVDD和联合优化的结合,我们的模型显着优于标准方法。
2020-05-25 cs.LG stat.ML
Online Conformal Anomaly Detection with Prediction-Powered Data Acquisition
King’s Communications, Learning & Information Processing (KCLIP) lab within the Centre for Intelligent Information Processing Systems (CIIPS), Department of Engineering, King’s College London(伦敦国王学院工程系智能信息处理系统中心(CIIPS)通信、学习与信息处理实验室(KCLIP))
本研究提出C-PP-COAD框架,通过结合合成与真实校准数据,在保证错误发现率控制的同时,降低在线异常检测对真实校准数据的依赖,经多类数据集验证有效。
2026-08-20 cs.IT cs.LG math.IT
Online Multivariate Anomaly Detection and Localization for High-dimensional Settings
University of South Florida(南佛罗里达大学)
本文研究高维系统中异常的实时检测问题。目标是快速准确地检测异常,以便在系统可能受到损害之前及时采取适当的对策。我们提出了一个顺序和多元异常检测方法,以及高维数据集的规模。所提出的方法遵循非参数,即,数据驱动和半监督方法,即,仅在标称数据上训练。因此,它适用于广泛的应用程序和数据类型。由于其多变量性质,它可以快速准确地检测具有挑战性的异常,例如相关结构的变化和隐形低速率网络攻击。综合分析了其渐近最优性和计算复杂性。结合检测方法,还提出了一种有效的技术定位异常数据维。我们进一步扩展所提出的检测和定位方法的监督设置,其中一个额外的异常数据集是可用的,并结合所提出的半监督和监督算法,以获得半监督框架下的在线学习算法。在DDoS攻击缓解中展示了所提出的算法的实际用途,并使用真实的物联网僵尸网络数据集和模拟来评估其性能。
2020-07-14 cs.LG stat.ML
Anomaly Detection in Big Data
Indian Institute of Technology Roorkee(印度理工学院鲁尔基分校)
异常被定义为系统不符合正常行为的状态。例如,核反应堆通道中的中子发射超过指定阈值是异常的。大数据是指\emph{high volume, streaming, heterogeneous, distributed}(通常是\emph{sparse})的数据集。如今,大数据并不罕见。例如,根据互联网实时统计,每天发布的推文数量超过5亿条。由于数据爆炸的数据负载领域,传统的异常检测技术开发的小数据集上的大规模数据集的规模差。因此,我们采用另一种方法来解决大数据中的异常检测。从本质上讲,有两种方法可以在大数据中扩展异常检测。第一种是基于\emph{online}学习,第二种是基于\emph{distributed}学习。本文的目标是在有效检测异常的同时解决大数据问题。为此,本文首先以大数据的\emph{streaming}问题为研究对象,提出了被动攻击GMEAN(PAGMEAN)算法。虽然在线学习算法可以很好地扩展大量的数据点和维度,但当数据分布在多个位置时,它们无法处理数据;这在当今非常常见。因此,我们提出了使用ADMM的固有分布式异常检测算法。最后,我们提出了一个核电站数据异常检测的案例研究。
2022-03-03 cs.LG
Online-compatible Unsupervised Non-resonant Anomaly Detection
National Energy Research Scientific Computing Center, Berkeley Lab(伯克利实验室国家能源研究科学计算中心);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);Berkeley Institute for Data Science, University of California, Berkeley(加州大学伯克利分校伯克利数据科学研究所);Rutgers University(罗格斯大学)
有一个异常检测方法,可以扩大在模型不可知的方式寻找新的粒子的需求不断增长。大多数新方法的提案都专门关注信号灵敏度。然而,仅仅选择异常事件是不够的,还必须有一种策略来为所选事件提供背景。我们提出了第一个完整的策略,包括信号灵敏度和数据驱动的背景估计方法的非共振异常的无监督检测。我们的技术是由两个经过严格训练的自动编码器构建的,它们被迫彼此去相关。该方法可以离线部署用于非共振异常检测,也是第一个完整的在线兼容的异常检测策略。我们表明,我们的方法在为ADC 2021数据挑战准备的各种信号上实现了出色的性能。
2021-11-11 cs.LG hep-ex hep-ph
Comparative Evaluation of Anomaly Detection Methods for Fraud Detection in Online Credit Card Payments
Université Paris-Saclay(巴黎-萨克雷大学);CNRS(法国国家科学研究中心);LUSIS AI(LUSIS AI公司)
本研究比较了异常检测与监督学习方法在在线信用卡欺诈检测中的性能,发现LightGBM表现最优,但受分布偏移影响更大,且能捕获AD方法检测到的大部分欺诈。
2023-12-21 cs.LG q-fin.ST
$K^4$: Online Log Anomaly Detection Via Unsupervised Typicality Learning
Case Western Reserve University(凯斯西储大学)
$K^4$通过无监督方法将日志嵌入转化为四维描述符,实现高效在线异常检测,取得新的AUROC性能,比基线模型快多个数量级。
2025-07-26 cs.CL cs.DC cs.LG
Practical Anomaly Detection over Multivariate Monitoring Metrics for Online Services
The Chinese University of Hong Kong(香港中文大学);Sun Yat-sen University(中山大学);Huawei Cloud Computing Technology Co., Ltd(华为云计算技术有限公司)
针对现有多变量监控指标异常检测方法难以有效捕获指标依赖与历史模式的问题,提出基于协作机的CMAnomaly框架,在华为云数据上F1值达0.9494,性能更优且速度更快,并分享了部署经验。
2023-08-19 cs.LG cs.SE
Anomaly Detection for High-Dimensional Data Using Large Deviations Principle
University at Buffalo(布法罗大学);Tufts University(塔夫茨大学)
当前的异常检测方法在处理高维数据时,大多数都存在维数灾难问题。我们提出了一个异常检测算法,可以扩展到高维数据使用的概念,从理论的大偏差。所提出的大偏差异常检测(LAD)算法表现出优于各种大型和高维基准数据集上的最先进的异常检测方法。利用该算法的能力,规模高维数据,我们提出了一个在线异常检测方法来识别异常的多元时间序列的集合。我们证明了在线算法在识别美国COVID-19相关病例和死亡异常趋势的县方面的适用性。数个已识别的异常县与记录在案的对COVID大流行应对不力的县相关。
2021-09-28 cs.LG stat.ML
Federated PCA on Grassmann Manifold for Anomaly Detection in IoT Networks
The University of Sydney(悉尼大学)
在物联网(IoT)时代,由于大多数IoT设备固有的安全漏洞,网络范围的异常检测是监测IoT网络的关键部分。主成分分析(PCA)已被提出来分离网络流量到两个不相交的子空间对应的正常和恶意行为的异常检测。然而,隐私问题和设备计算资源的限制损害了PCA的实际有效性。我们提出了一个基于PCA的联邦格拉斯曼优化框架,该框架协调物联网设备,以聚合正常网络行为的联合配置文件,用于异常检测。首先,我们引入了一个保护隐私的联合PCA框架,以同时捕获各种物联网设备的流量。然后,我们研究了Grassmann流形上基于乘子梯度学习的交替方向方法,以保证快速训练和使用有限的计算资源不存在检测延迟。NSL-KDD数据集上的实验结果表明,我们的方法优于基线方法。最后,我们证明了格拉斯曼流形算法非常适合物联网异常检测,这可以大大减少系统的分析时间。据我们所知,这是第一个满足物联网网络要求的异常检测联合PCA算法。
2023-01-10 cs.LG
OneShotSTL: One-Shot Seasonal-Trend Decomposition For Online Time Series Anomaly Detection And Forecasting
Alibaba Group(阿里巴巴集团)
提出OneShotSTL算法,通过O(1)复杂度的在线季节-趋势分解,解决实时时间序列分析延迟问题,速度提升超千倍且保持高精度。
2023-04-04 cs.AI cs.DB cs.LG
Parameter Efficient Multi-Class Intelligent Scheduling for Multimodal Online Distributed Industrial Anomaly Detection
Pengcheng Laboratory(鹏城实验室);Shenzhen International Graduate School(深圳国际研究生院)
针对工业异常检测中分布式、持续生成数据的特点,提出多模态在线分布式工业异常检测框架,通过多类智能调度问题和序列边际增益贪婪算法协调模型更新,并采用资源高效类级低秩适应策略降低系统开销,在MVTec 3D-AD和Eyecandies数据集上取得优越性能。
2026-05-15 cs.AI cs.CV cs.LG
Online Isolation Forest
Politecnico di Milano(米兰理工大学);University of Waikato(怀卡托大学)
针对流式异常检测中离线方法需反复访问数据、在线方法依赖周期重训的问题,提出 Online-iForest 以持续跟踪数据分布,并在保持检测性能的同时显著提升效率。
2025-05-14 cs.AI cs.LG stat.ML
Autoencoder-based Anomaly Detection System for Online Data Quality Monitoring of the CMS Electromagnetic Calorimeter
European Organization for Nuclear Research (CERN)(欧洲核子研究组织)
本文提出一种基于自编码器的半监督异常检测系统,用于CMS电磁量能器在线数据质量监测,通过利用异常的时间演化与空间变化提高检测性能,并在LHC Run 3中验证了其有效性。
2024-06-26 cs.LG hep-ex physics.data-an
SGEMAS: A Self-Growing Ephemeral Multi-Agent System for Unsupervised Online Anomaly Detection via Entropic Homeostasis
InnoDeep, PhD, Co-founder(InnoDeep)
SGEMAS通过熵稳态机制实现自生长多智能体系统,用于无监督在线异常检测,实验表明其在跨患者零样本设置中性能优于传统方法。
2025-12-08 cs.LG cs.MA cs.NE
What Streaming Anomaly Detection Finds (and Misses) in Industrial Time Series
EDF R&D(法国电力集团研发部);Inria, ENS, CNRS, PSL(法国国家信息与自动化研究所、巴黎高等师范学院、法国国家科学研究中心、巴黎文理研究大学)
本研究比较了流式方法与在线TSAD模型在真实核电站数据上的异常检测性能,发现在线TSAD一致性更高,集成策略鲁棒性强。
2026-10-01 cs.AI cs.LG
G-CMP: Graph-enhanced Contextual Matrix Profile for unsupervised anomaly detection in sensor-based remote health monitoring
University of Surrey(萨里大学)
基于传感器的远程健康监测用于工业、城市和医疗保健环境,以监测设备的持续运行和人体健康。一个重要的目标是在发现异常事件或不良健康状况时及早干预。在野外,这些异常检测方法受到噪声、标签稀缺性、高维性、可解释性和操作环境的广泛变化的挑战。上下文矩阵配置文件(CMP)是矩阵配置文件(MP)的可配置二维版本,它使用时间序列的所有连续性的距离矩阵来发现模式和异常。CMP被证明是提高MP和其他SOTA方法在检测,可视化和解释真正的异常在嘈杂的现实世界中的数据从不同的域的有效性。它擅长缩小和识别可配置时间尺度的时间模式。然而,CMP不解决跨传感器信息,并且不能缩放到高维数据。我们提出了一种新的,自我监督的基于图的时间异常检测方法,工作在从CMP距离矩阵生成的上下文图。学习的图嵌入对时间上下文的异常性质进行编码。此外,我们评估其他图离群算法相同的任务。假定我们的流水线是模块化的,则图构造、图嵌入的生成和模式识别逻辑都可以基于特定的模式检测应用来选择。我们验证了基于图的异常检测的有效性,并将其与CMP和3种最先进的方法在两个具有不同异常的真实医疗数据集上进行了比较。我们提出的方法表现出更好的召回率,警报率和泛化能力。
2022-11-29 cs.AI cs.LG
DPGIIL: Dirichlet Process-Deep Generative Model-Integrated Incremental Learning for Clustering in Transmissibility-based Online Structural Anomaly Detection
University of Macau(澳门大学);Guangdong-Hong Kong-Macau Joint Laboratory for Smart Cities(粤港澳智慧城市联合实验室)
本研究提出DPGIIL聚类框架用于在线结构异常检测,结合深度生成模型与狄利克雷过程混合模型的优势,通过推导更紧的下界实现联合优化,设计加速推理方法并支持增量学习,经案例验证在检测与聚类任务上均优于部分前沿方法。
2025-10-08 cs.LG physics.data-an stat.ML
Any-Shot Sequential Anomaly Detection in Surveillance Videos
University of South Florida(南佛罗里达大学)
监控视频中的异常检测最近受到关注。尽管最先进的方法在公开可用的数据集上的性能具有竞争力,但它们需要大量的训练数据。此外,它们缺乏一种具体的方法,一旦有新的数据可用,就可以不断更新训练模型。此外,在线决策是一个重要的,但大多数被忽视的因素在这一领域。出于这些研究的差距,我们提出了一种在线异常检测方法的监控视频使用迁移学习和任意镜头学习,这反过来又显着降低了训练的复杂性,并提供了一种机制,可以检测异常使用只有几个标记的名义上的例子。我们提出的算法利用了基于神经网络的迁移学习模型的特征提取能力和统计检测方法的任意镜头学习能力。
2020-04-05 cs.CV cs.LG
GAD: A Real-time Gait Anomaly Detection System with Online Adaptive Learning
Norwegian University of Science and Technology(挪威科技大学)
针对现有步态异常检测方法依赖离线处理、适用性受限的问题,本文提出基于降维和LSTM的实时系统GAD,支持在线训练与自适应更新,结合个性化步长采集法可提升检测准确率。
2024-05-04 cs.AI cs.LG eess.SP
Unsupervised Dictionary Learning for Anomaly Detection
University of Bucharest(布加勒斯特大学);The Research Institute of the University of Bucharest (ICUB)(布加勒斯特大学研究院(ICUB))
我们研究了采用字典学习来解决大多数异常检测应用程序的要求的可能性,例如缺乏监督,在线配方,低误报率。我们提出了新的结果,我们最近的半监督在线算法,TODDLeR,反洗钱的应用。我们还介绍了一种新的无监督的方法,使用性能的学习算法的样本的性质的指示。
2020-09-07 cs.CR cs.CV cs.LG
Matrix Profile for Anomaly Detection on Multidimensional Time Series
Visa Research;UC Riverside(加州大学河滨分校)
本文研究多维时间序列异常检测问题,提出扩展矩阵轮廓法以高效寻找k近邻,通过119个数据集验证其在无监督、监督和半监督设置下的高性能。
2026-04-07 cs.AI cs.DB cs.LG
Online Model-based Anomaly Detection in Multivariate Time Series: Taxonomy, Survey, Research Challenges and Future Directions
Mercedes-Benz AG(梅赛德斯-奔驰公司);Leiden University(莱顿大学)
本文综述了多元时间序列中基于模型的在线半监督与无监督异常检测方法,提出在线/离线与训练/推理的新分类法,并指出基准测试、数据集缺陷和评估指标不足是核心挑战。
2024-09-19 cs.AI cs.LG cs.SY
Real-Time Outlier Detection with Dynamic Process Limits
Institute of Information Engineering, Automation and Mathematics(信息工程、自动化与数学研究所);Slovak University of Technology in Bratislava(布拉迪斯拉发斯洛伐克理工大学)
异常检测方法是系统的一部分,其中罕见事件可能危及运营的盈利能力,安全性和环境方面。尽管迄今为止已经开发了许多最先进的异常检测方法,但它们的部署仅限于模型训练期间存在的操作条件。在线异常检测能够适应模型开发期间可能无法表示的数据漂移和变化点,从而延长使用寿命。针对现有实时的【形】基础设施,提出了一种在线异常检测算法。在线逆累积分布为基础的方法,以消除离线异常检测器的共同问题,同时提供动态过程限制正常运行。所提出的方法的好处是易于使用,快速计算,和部署的两个案例研究中所示的实际微电网运行数据。
2023-01-31 cs.AI cs.LG stat.ML
Exploring the impact of Optimised Hyperparameters on Bi-LSTM-based Contextual Anomaly Detector
Norwegian University of Science and Technology(挪威科技大学)
本文提出UoCAD-OH框架,通过离线优化Bi-LSTM的超参数并在在线阶段检测异常,在两个智能家居空气质量数据集上验证了优化超参数对无监督上下文异常检测性能的提升。
2025-01-25 cs.AI cs.LG
3D-CSAD: Untrained 3D Anomaly Detection for Complex Manufacturing Surfaces
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学);Guangzhou HKUST Fok Ying Tung Research Institute(广州香港科技大学霍英东研究院)
针对复杂制造零件3D异常检测缺训练样本、表面复杂的难题,提出无训练的3D-CSAD方法,通过轮廓分割与RPCA实现单样本准确检测,性能优于基准方法。
2024-04-11 cs.CV cs.LG
Distribution Agnostic Symbolic Representations for Time Series Dimensionality Reduction and Online Anomaly Detection
本文提出两种数据驱动的SAX符号表示方法,分别通过核密度估计结合Lloyd-Max量化和Mean-Shift聚类,克服传统SAX的高斯分布和等概率符号假设限制,有效提升时间序列降维、索引及异常检测性能。
2022-06-06 cs.IR cs.LG
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
Online Detection of Anomalies in Temporal Knowledge Graphs with Interpretability
School of Computer Science and Engineering, University of Electronic Science and Technology of China(电子科技大学计算机科学与工程学院);Department of Computer Science, Yale University(耶鲁大学计算机科学系);Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China(电子科技大学深圳高等研究院)
本文提出AnoT方法,通过将时序知识图谱概括为规则图并递归遍历,实现可解释的在线异常检测,在四个数据集上显著优于现有方法。
2024-09-02 cs.AI cs.DB cs.LG
Online Monitoring Framework for Automotive Time Series Data using JEPA Embeddings
本文提出基于JEPA嵌入的汽车时间序列数据在线监控框架,通过自监督学习实现无标签异常检测,适用于现实环境中未知异常的识别。
2026-02-10 cs.AI cs.CV cs.LG
Ensemble2: Anomaly Detection via EVT-Ensemble Framework for Seasonal KPIs in Communication Network
School of Information and Software Engineering, University of Electronic Science and Technology of China(电子科技大学信息与软件工程学院)
KPI异常检测是网络管理系统的重要功能之一。传统的方法要么需要先验知识,要么手动设置阈值。为了克服这些缺点,我们提出了Ensemble 2框架,该框架应用集成学习来提高外源能力。同时,根据极值理论自动调整阈值。该模型在生产数据集上进行了测试,以验证其有效性。我们使用在线学习进一步优化模型,最终在Intel i5平台上以~10 pts/s的速度运行。
2022-05-28 cs.LG eess.SP
Debunking Free Fusion Myth: Online Multi-view Anomaly Detection with Disentangled Product-of-Experts Modeling
Southwest Jiaotong University(西南交通大学);Carnegie Mellon University(卡内基梅隆大学);Southwestern University of Finance and Economics(西南财经大学);Zhejiang Lab(之江实验室)
针对现有多视图异常检测方法视图数量受限、融合表示难解耦且无法在线部署的问题,提出 dPoE 多视图变分自编码器,利用 PoE 层、TC 判别器、联合损失及信息界实现解耦建模,并在六个真实数据集上优于基线。
2023-10-31 cs.CV cs.LG cs.MM
CyberCScope: Mining Skewed Tensor Streams and Online Anomaly Detection in Cybersecurity Systems
SANKEN, Osaka University(大阪大学 SANKEN)
提出流式方法CyberCScope,通过混合偏斜无限与有限维分解处理高阶张量流,实现网络安全中多类型入侵的实时检测与特征总结。
2025-03-02 cs.AI cs.CR cs.LG
Online Data Thinning via Multi-Subspace Tracking
Duke University(杜克大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
在一个无处不在的大规模流数据时代,数据的可用性远远超过了专家人类分析师的能力。在许多情况下,这些数据要么被丢弃,要么未经处理地存储在数据中心。本文提出了一种在线数据细化的方法,在该方法中,大规模的流数据集被筛选,以保留独特的,异常的,或显着的元素,以便及时的专家分析。该方法的核心是基于动态低秩高斯混合模型的在线异常检测方法。具体地,与高斯分量相关联的高维协方差矩阵与低秩模型相关联。根据这个模型,大多数观测位于子空间的并集附近。低秩建模减轻了与高维数据的异常检测相关的维数灾难,子空间聚类和子空间跟踪的最新进展允许所提出的方法适应动态环境。此外,该方法允许二次采样,对缺失数据具有鲁棒性,并使用小批量在线优化方法。由此产生的算法是可扩展的,高效的,并且能够实时操作。广域运动图像和电子邮件数据库上的实验说明了所提出的方法的有效性。
2016-09-12 cs.LG stat.ML