异常检测算法

        今天，橙子姐姐给大家推荐一篇新文章，让我们一起来看看吧！

        原文链接：https://arxiv.org/pdf/2107.12626.pdf

        如今，多传感器技术应用于许多领域，例如医疗保健（HC）、人类活动识别（HAR）和工业控制系统（ICS）。这些传感器可以生成大量的多元时间序列数据。

        多传感器时间序列数据的无监督异常检测已被证明在机器学习研究中至关重要。关键挑战是通过捕获多传感器数据中的时空相关性来发现广义的正常模式。

        除了这个挑战之外，噪声数据通常与训练数据交织在一起，这很可能使模型难以区分正常、异常和噪声数据，从而误导模型。以前的研究很少能共同解决这两个挑战。

        在本文中， 本文提出了一种新的基于深度学习的异常检测算法，称为深度卷积自动编码记忆网络（CAE-M）。

        本文首先构建了一个深度卷积自动编码器来表征具有最大平均差异 (MMD) 的多传感器数据的空间依赖性，以更好地区分嘈杂、正常和异常数据。

        然后， 本文构建了一个由线性（自回归模型）和非线性预测（带注意的双向 LSTM）组成的记忆网络，以捕获时间序列数据的时间依赖性。最后，CAE-M 联合优化这两个子网络。 本文根据经验将所提出的方法与 HAR 和 HC 数据集上的几种最先进的异常检测方法进行了比较。实验结果表明，本文提出的模型优于这些现有方法。

        在本文中，本文引入了一种名为 CAE-M 的深度卷积 Au-toencoding Memory 网络来检测异常。 CAE-M 模型使用复合框架通过捕获多传感器时间序列数据中的时空相关性来对正常数据的广义模式进行建模。

        本文首先构建了具有最大平均差异 (MMD) 惩罚的深度卷积自动编码器来表征多传感器时间序列信号，并降低训练数据中噪声和异常引起的过拟合风险。

        为了更好地表示序列数据的时间依赖性，本文使用具有注意力的非线性双向LSTM和线性自回归模型进行预测。 对 HAR 和 HC 数据集的大量实证研究表明，CAE-M 的性能优于其他基线方法。在未来的工作中，本文将专注于基于点的细粒度异常检测方法，并通过设计进一步改进本文的多传感器数据方法适当的稀疏操作。