Time - Series Anomaly Detection: Overview and New Trends 解读

如有侵权或其他问题欢迎留言联系更正或删除。来源VLDB 2024 tutorial track1. 时序异常研究领域的发展趋势持续上升2. 时间序列的基础定义① 有序性② 随时间演进evolution with time③ 由一或多种正常模式耦合3. 时序异常的 “细致分类” 已在 综述Definitions and Benchmarks-CSDN博客 内讨论过4. 需区分包含单个异常的时序及包含多个异常相似或不同的时序一些基于最近邻距离的方法可能会受该区别的影响5. 时序异常检测方法的基本分类① 依据 “输入的不同” 分类 Liu 的分类* 无监督只输入含异常的时序数据在严格意义上无其他任何有关 “正常 / 异常” 的监督信号半监督在正常的时序数据上训练在另外的、含异常的时序数据上测试有监督训练时提前具备了时序数据的正常及异常标签PS此处定义见仁见智和部分 TSAD 工作所给出的定义不一致② 依据 “方法不同” 分类6. 有关 “评测指标“已在 VUS —— 新的 “时序异常” 评估指标_时序异常检测评价指标-CSDN博客 中讨论过个人倾向于VUS系列指标 原始F1系列指标 AF - F1系列指标7. 目前现有的 TSAD 数据集不可避免地存在 bias 及 mislabel 现象急需更高质量的数据集8. 新的趋势及机会当 detectors 被应用于及其异构源自不同域的时序时不存在总体最佳的异常检测方法 →如何自动识别针对不同时序数据集的、最准确的异常检测器AutoTSAD自动的时序异常检测 历史工作回顾Ⅰ Model Selection从预定义的候选模型集内识别 TSAD 的最佳模型及其相应超参数① internal evaluation methods使用 “代理指标” 评估模型有效性独立于外部数据如模型一致性② meta - learning - based methods利用各种异常检测器在历史标记数据集上的性能知识为新数据集实现自动的模型选择Ⅱ Model Generation基于候选模型集构建全新模型新生成的模型独立进行 TSAD① ensembling-based methods模型集成学习② pseudo - label - based methods构造伪标签将无监督问题转化为有监督问题处理其他挑战领域泛化问题在线环境及资源限制的固有挑战推进开发增量自动化解决方案交互式的 TSAD 探索 ......