【論文分享】--多維時間序列異常檢測
論文題目:Outlier Detection for Multidimensional Time Series using Deep Neural Networks (發表在MDM2018上,作者單位:丹麥艾爾堡大學)
這篇文章方法並不複雜,但提供了一個好的思路:
首先將原始的時間序列通過滑動窗口的形式,對每個窗口內的序列做特徵提取,然後將提取的特徵送給 AutoEncoder。在檢測時,若 AutoEncoder 的重建 error 大於某個閾值,則認為是異常。
可啟發的點:
- 原始的時間序列往往面臨維度高,存在雜訊等情況,通過特徵提取,對原始數據進行清洗和豐富等,會比直接將原始數據扔給神經網路要好;
- AutoEncoder 是一種典型的無監督方法,可以將其擴展為 variational AutoEncoder,或者引入情景信息,從而擴展為 Conditional Variational AutoEncoder。
接下來講具體的方法……