.png){kind=icon}
返回
Explainable Time Series Anomaly Detection by Dynamic Mode Decomposition
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-02049-9_13.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着时序数据的快速传播，实时异常检测技术对于确保可靠性日益重要。现有异常检测方法擅长检测异常，但在解释异常的根本原因方面能力有限。本研究提出一种新方法，利用动态模态分解通过其奇异值解释被识别为异常的数据点背后的动态特征。该方法通过比较动态模态分解计算的预测值与异常观测值来计算解释异常的奇异值。虽然传统方法使用维度子空间解释异常，所提出的方法使用奇异值解释异常，能够考虑周期性和趋势的解释。实验通过识别奇异值影响强的维度作为解释，并与实际异常维度的误差率进行比较，证明了所提出方法的说服力。
Keyword:
Sliding window
Explainable anomaly detection
Streams
期刊
D
IF:
0
论文数:
25
被引数:
0
机构
引用论文
Why is this an anomaly? Explaining anomalies using sequential explanations为什么这是一个异常？使用顺序解释来解释异常.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏Anomaly Detection with Robust Deep AutoencodersProceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏
查看更多内容