admin管理员组

文章数量:1130349

Robust Anomaly Detection for Multivariate Time Series through Stochastic Recurrent Neural Network
发表会议：2019 KDD

1 简介

1.由于以下原因，作者希望可以直接使用多元时间序列在实体级别检测实体异常，而不是使用单变量时间序列在度量级别检测实体异常。

1）在实践中，与每个构成指标相比，操作工程师更关心实体的整体状态。
2）在给定大量指标的情况下，为每个指标训练和维护一个单独的异常检测模型代价是很大的。
3）一个实体上的事件通常导致多个维度的异常。如果在指标级别检测到异常，则需要基于广泛的知识来做定义，以处理所有指标的异常结果，来确定实体是否异常。
4）直观的讲，对一个单变量时间序列的期望值建模可以受益于同一实体的多变量时间序列中的更多信息。

总而言之，在实体级别检测异常比在单个指标检测异常更加直观与高效。

2 背景 相关工作

1.基于LSTM检测航天器异常的方法，提出了一种基于LSTM的编码解码器，目的在于重构正常的时间序列。尽管LSTM可以处理时间序列的依赖性，但是它是确定性的，没有随机变量。

2.基于随机模型，有文献提出结合深度自动编码器和高斯混合模型。通过减少输入观测值的维数以获得AE的潜在表示，并使用GMM估计了表示的密度。但是，此方法设计用于多元变量，并且忽略了时间序列在内的时间依赖性。随机变量可以提高RNN的性能，因为它他们可以捕获时间序列的概率分布。通过将VAE中的前馈网络替换为LSTM。简单的将LSTM和VAE组合在一起，但是忽略了随机变量的依赖性。

3.作者提出的OmniAnomaly是一种随机递归神经网络，将VAE与GRU粘合在一起，从而可以明确的建模时间序列的时间依赖性与随机性。此外，OnmiAnomaly应用了诸如随机变量连接之类的技术对随机变量之间的时间依赖性进行建模。结果，随机变量可以从历史随机变量中捕获更多信息，并更好的表示输入数据。

Robust Anomaly Detection for Multivariate Time Series through Stochastic Recurrent Neural Network
发表会议：2019 KDD

1 简介

1.由于以下原因，作者希望可以直接使用多元时间序列在实体级别检测实体异常，而不是使用单变量时间序列在度量级别检测实体异常。

1）在实践中，与每个构成指标相比，操作工程师更关心实体的整体状态。
2）在给定大量指标的情况下，为每个指标训练和维护一个单独的异常检测模型代价是很大的。
3）一个实体上的事件通常导致多个维度的异常。如果在指标级别检测到异常，则需要基于广泛的知识来做定义，以处理所有指标的异常结果，来确定实体是否异常。
4）直观的讲，对一个单变量时间序列的期望值建模可以受益于同一实体的多变量时间序列中的更多信息。

总而言之，在实体级别检测异常比在单个指标检测异常更加直观与高效。

2 背景 相关工作

1.基于LSTM检测航天器异常的方法，提出了一种基于LSTM的编码解码器，目的在于重构正常的时间序列。尽管LSTM可以处理时间序列的依赖性，但是它是确定性的，没有随机变量。

2.基于随机模型，有文献提出结合深度自动编码器和高斯混合模型。通过减少输入观测值的维数以获得AE的潜在表示，并使用GMM估计了表示的密度。但是，此方法设计用于多元变量，并且忽略了时间序列在内的时间依赖性。随机变量可以提高RNN的性能，因为它他们可以捕获时间序列的概率分布。通过将VAE中的前馈网络替换为LSTM。简单的将LSTM和VAE组合在一起，但是忽略了随机变量的依赖性。

3.作者提出的OmniAnomaly是一种随机递归神经网络，将VAE与GRU粘合在一起，从而可以明确的建模时间序列的时间依赖性与随机性。此外，OnmiAnomaly应用了诸如随机变量连接之类的技术对随机变量之间的时间依赖性进行建模。结果，随机变量可以从历史随机变量中捕获更多信息，并更好的表示输入数据。

本文标签： 文献ANOMALYDetectionMultivariateRobust

版权声明：本文标题：[文献阅读]Robust Anomaly Detection for Multivariate Time Series through Stochastic RNN 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://it.en369.cn/jiaocheng/1755028713a2755475.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。