Practical Approach to Asynchronous Multivariate Time Series Anomaly Detection and Localization(KDD)
eBay的工程师利用稳健的方法监测IT系统信号以发现异常。然而，信号规模的增长，无论是在体积还是维度上，都超过了传统的统计状态空间或监督学习工具。因此，最近的研究寻求基于无监督深度学习的最新方法。然而，在实现这些方法时，我们遇到了缺陷，例如需要部分监督和高维数据集的弱点，以及本文讨论的其他原因。本文提出一种从大型多元集合中推断异常的实用方法。在现实世界的应用中观察到大量时间序列，表现出异步和一致的重复变化，如IT、天气、效用和交通。我们的解决方案就是要利用这种行为。该解决方案利用对预训练自编码器的潜表示进行谱分析，以提取信号中的主要频率，然后在后续的网络中使用，该网络学习信号中的相移，并产生原始多元的同步表示。然后，将同步多元的随机子集输入到一个自动编码器数组中，学习最小化分位数重建损失，然后用于根据多数投票推断和定位异常。在公开数据集和eBay数据上，将该方法与最先进的方法进行了基准测试。此外，针对已有评价方法的局限性，提出了一种更符合实际的评价方法。
方法：
本文提出一种深度学习架构，实际利用率高于数学复杂性。首先，我们注意到可以利用时间序列的先验信息来改进学习过程;许多特征以几乎一致的频率振荡。其次，当提供视觉上可解释的阈值时，可靠性工程师和领域官员在总结和分派异常方面更有效。例如，传统单变量统计模型中的置信度限制，并为其提供了在多变量数据集中定位异常的能力。因此，我们提出了RANCoders;具有可选同步表示学习阶段的实际异常检测体系结构RANSynCoders。后者利用基于潜空间表示的傅里叶变换的频谱分析来识别原始特征空间中占主导地位的振荡频率。如果存在，频率作为先验，可以在单独的层中利用，该层学习多元输入的同步表示。本文假设，由于将多维特征的部分非线性依赖关系转换为线性依赖关系，这种同步产生了性能增益。后者在自动编码器中特别有用，将数据从实时空间映射到潜空间[1,12,16,19,22 - 24,33]。如果没有共同振荡或无法识别，则RANSyncoders与RANCoders在其余过程中完全相同。随机特征子集以类似bagging的方式输入到多个自动编码器中，每个自动编码器优化完整多变量集的分位数重建损失。然后，通过多数投票进行异常推断，并通过特征异常频率分析增强定位能力;这种方法背后的直觉是，在高度同步的信号中，一个小子集包含足够的信息，可以在正常操作期间重建集合的完整维度。将该方法与最近在公开数据集和eBay数据集上研究的最先进方法进行了基准测试。此外，还指出了现有评估方法的不足，并提出了一种在实际效率上更能区分模型的评估方法
3 METHODS
1）Latent spectral density estimation
利用快速傅里叶变换(FFT)[31]对单变量潜表示进行谱分析，以识别大小为
Practical Approach to Asynchronous Multivariate Time Series Anomaly Detection and Localization(KDD)相关推荐
- 《Practical Machine Learning A New Look at Anomaly Detection》摘抄+笔记
<Practical Machine Learning A New Look at Anomaly Detection>--实用机器学习, 异常检测的新看法 本文照抄论文主要内容加上个人理 ...
- 深度学习论文: PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization
深度学习论文: PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization PaDiM: ...
- CutPaste: Self-Supervised Learning for Anomaly Detection and Localization 全文翻译+详细解读
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization 全文翻译+详细解读 文章速览 全文翻译及详细解释 0 ...
- CutPaste:Self-Supervised Learning for Anomaly Detection and Localization 论文解读（缺陷检测）
CutPaste:Self-Supervised Learning for Anomaly Detection and Localization CutPaste:用于异常检测和定位的自监督学习 文章 ...
- CutPaste Self-Supervised Learning for Anomaly Detection and Localization
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization 用于异常检测和定位的自监督学习 简洁版 问题:异常的 ...
- FastFlow: Unsupervised Anomaly Detection and Localization via 2D Normalizing Flows
自学所用 文章提出了用二维归一化流实现的FastFlow,并将其用作概率分布估计:FastFlow可以作为一个插件模块,与任意深度特征提取器(如RestNet和视觉转换器)一起使用,用于无监督的异常检 ...
- 《PaDiM: a Patch Distribution Modeling Frameworkfor Anomaly Detection and Localization》论文阅读笔记
作者:Thomas Defard, Aleksandr Setkov, Angelique Loesch, Romaric Audigier 出自:Nov2020 作者提出了一种新的斑块分布建模框架P ...
- (ch9) Deep Learning for Anomaly Detection: A Survey
Deep Learning for Anomaly Detection: A Survey https://www.researchgate.net/publication/330357393_Dee ...
- 【Paper】Deep Learning for Anomaly Detection:A survey
论文原文:PDF 论文年份:2019 论文被引:253(2020/10/05) 922(2022/03/26) 文章目录 ABSTRACT 1 Introduction 2 What are anom ...
最新文章
- ADO内存数据对象SqlDataAdapter类使用SqlDataAdapter在数据库和DataSet之间架起桥梁：
- java用mvvm,[Java教程]MVVM架构~使用boxy和knockoutjs实现编辑功能
- 计算机创建快捷方式w10,win10无法创建快捷方式,win10发送快捷方式磁盘满了
- JSP自定义标签开发入门
- map reduce相关程序
- java获取行号_java – 如何获取一个方法的行号？
- SQL性能第2篇：查询分析和访问路径制定
- html5学习笔记---03. Canvas简介,Canvas的使用方法
- 电脑常用音频剪辑软件_5款好用的音频剪辑软件推荐
- 添加列oracle默认值,Oracle 11g增加列,并带默认值的新特性
- FBI 连续第三次发布关于国家黑客利用 Kwampirs 发动全球供应链攻击的警告
- Java开发笔记（一百四十六）JDBC的应用原理
- 在线课程培训系统源码 在线授课 在线教育源码 网课小程序源码
- Maxwell 一款简单易上手的实时抓取Mysql数据的软件
- c# dataset 和DataGridView的绑定详细
- c语言编程樱花树,分形樱花树（画画）
- linux普通用户密码到期修改为原密码方法
- 中国首个超250米高“空中连廊”幕墙工程合拢 创多项世界之最
- ‘C:\Users\Administrator\Desktop\gitSpace\dj-2\dj\vue-manager-dj\node_modules\node-sass\vendor‘
- iOS——directory not found for option 链接错误