.png){kind=icon}
返回
Autoencoder and Kernel Density Estimation Based Approach for Time Series Anomaly Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-97648-3_17.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时间序列异常检测是分布式系统等多个领域的关键任务。尽管研究广泛，但尚无单一算法在各方面均表现最佳。本文提出KDEAE，一种用于单变量时间序列异常检测的新型无监督方法。该方法结合了自编码器（AE）和核密度估计（KDE）。所提方法将时间序列分割为非重叠片段，通过卷积AE进行编码，并基于KDE获得的密度构建异常分数。该方法在GutenTAG数据集上使用TimeEval框架进行评估，并与同类别25种算法进行比较。结果表明，KDEAE在ROC AUC指标上优于40%的算法，在PR AUC指标上优于60%的算法，在运行时间上优于60%的算法。论文最后提出了进一步研究以提升方法性能并扩展至多元时间序列的建议。
Keyword:
Anomaly Detection
Time Series
Autoencoders
Kernel Density Estimation
期刊
C
机构
引用论文
Deep Learning for Anomaly Detection in Time-Series Data: Review, Analysis, and Guidelines用于时间序列数据异常检测的深度学习: 回顾、分析和指南.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Unsupervised Anomaly Detection for IoT-Based Multivariate Time Series: Existing Solutions, Performance Analysis and Future Directions基于IoT的多变量时间序列的无监督异常检测: 现有解决方案、性能分析和未来方向SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏A Survey of Deep Anomaly Detection in Multivariate Time Series: Taxonomy, Applications, and Directions多元时间序列中的深度异常检测: 分类，应用和方向SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏分享收藏
A Multimodal Anomaly Detector for Robot-Assisted Feeding Using an LSTM-Based Variational AutoencoderOAAI
OAAI分享收藏分享收藏
查看更多内容