.png){kind=icon}
.png){kind=icon}
返回
RandomAD: A Random Kernel-Based Anomaly Detector for Time Series
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05962-8_10.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一项具有广泛应用的任务，包括工业监测、金融欺诈检测和医疗诊断。在现有方法中，（CMP）-M-22代表了通过结合矩阵谱（Matrix Profile）与catch22（手工设计的特征集）来提升异常检测性能的当前最优方法。然而，catch22特征在捕捉时间序列数据中全范围时序特征方面存在局限性。随机卷积核方法（如ROCKET家族）的最新进展已在时间序列分类和聚类任务中展现出强大性能。本研究提出RandomAD，一种半监督异常检测方法，利用数千个随机卷积核提取丰富的特征集。我们的方法采用MiniRocket的随机核生成策略，基于训练数据生成具有随机初始化权重的庞大核池。为解决半监督设置中缺乏标签异常的问题，我们引入核选择机制以保留最具信息量的核。此外，我们整合多窗口选择策略与异常过滤模块，以优化窗口大小和检测结果。通过在基准数据集上的广泛实验，我们证明RandomAD持续优于现有当前最优方法。
Keyword:
Random convolutional kernel
Anomaly detection
Time series