?
投資 干貨 消費 評論 學院 滾動
風投 科技 創(chuàng)業(yè) 業(yè)內(nèi) 要聞
研究人員回顧了基于深度學習的方法來檢測時間序列數(shù)據(jù)異常:世界速遞
發(fā)布日期： 2023-02-09 10:12:03 來源： 萬能網(wǎng)

監(jiān)測金融安全、工業(yè)安全、醫(yī)療狀況、氣候和污染需要分析大量時間序列數(shù)據(jù)。此分析中的一個關鍵步驟涉及識別偏離數(shù)據(jù)集的異常點、模式或事件。這稱為“異常檢測”，使用數(shù)據(jù)挖掘技術執(zhí)行。

盡管深度學習方法已廣泛應用于異常檢測，但沒有一種通用技術適用于各個領域的多種應用。此外，關于多變量時間序列異常檢測的現(xiàn)有研究僅關注該方法，而不檢查其挑戰(zhàn)。

韓國中央大學的一組研究人員現(xiàn)在通過總結基于異常檢測的應用程序來解決這一差距。該團隊包括JasonJ.Jung教授和GenLi博士，評估了當前最先進的異常檢測技術，并解決了與之相關的挑戰(zhàn)。


(資料圖片)

他們的工作在信息融合中提供。

“我們的基礎研究課題是多變量時間序列中的異常檢測。在這篇綜述中，我們總結了相同的方法、挑戰(zhàn)和應用，“榮格教授解釋說。研究人員二人組在多個變量的時間序列異常檢測方面進行了廣泛的工作，并且之前發(fā)表了他們在癲癇發(fā)作檢測，氣候監(jiān)測和金融欺詐監(jiān)測方面的工作，最終導致本綜述。

該團隊首先將異常分為三種類型，即異常時間點，時間間隔和時間序列。接下來，他們強調(diào)，在基于深度學習的人工神經(jīng)網(wǎng)絡中，長短期記憶(LSTM)和自動編碼器最常用于檢測異常時間點和時間間隔。

此外，他們還討論了替代方法，例如動態(tài)圖，用于檢查時間序列之間的關系特征并檢測異常時間間隔。還深入總結了現(xiàn)行技術的當前局限性，強調(diào)了異常的根源。

最后，兩人全面概述了多變量時間序列中異常檢測的應用。他們策劃了開放獲取時間序列數(shù)據(jù)集，并討論了與多變量時間序列中的異常檢測相關的開放研究問題和挑戰(zhàn)。

基于深度學習的異常檢測方法的潛力是深遠的，正如Jung教授推測的那樣，“我相信這篇綜述將幫助研究人員找到適當?shù)姆椒▉頇z測各自工作領域的異常。例如，在科學領域，人們可以很容易地找到本文中的開放獲取數(shù)據(jù)集和相應的最先進的異常檢測方法。對于工業(yè)應用，可以方便地在本綜述中找到適當?shù)漠惓z測技術來識別損壞和故障”。

至于所涉及的挑戰(zhàn)，開發(fā)一個模型來解釋檢測到的異常具有相當大的價值，因為它可以幫助我們理解為什么首先發(fā)生異常?！疤魬?zhàn)在于確定異常時間點與導致異常的時間點之間的關系，”榮格教授說。

綜上所述，本綜述為各個領域選擇適當?shù)漠惓z測技術以及開發(fā)更有效的異常檢測技術提供了寶貴的資源。

24小時熱點 精彩推薦
資訊新聞
?