Глубокое обучение для обнаружения аномалий во временных рядах данных: обзор, анализ и рекомендации
Deep Learning for Anomaly Detection in Time-Series Data: Review, Analysis, and Guidelines
2021-01-01
SCID: 54.1/pu7fq42d
Discuss with AI
эталонные наборы данныхглубокое обучениемногомерные временные рядыобнаружение аномалий во временных рядахобучение представлений без учителя
Figures from the paper
Abstract (AI)
По мере автоматизации промышленности и развития технологий подключения широкий спектр систем продолжает генерировать огромные объемы данных. Для извлечения основных показателей из этого обширного массива данных, позволяющих представить общее состояние системы, было предложено множество подходов. Своевременное обнаружение аномалий с использованием этих показателей может предотвратить аварии и экономические потери. Обнаружение аномалий в многомерных временных рядах представляет собой особую сложность, поскольку требует одновременного учета временных зависимостей и взаимосвязей между переменными. Современные исследования, основанные на глубоком обучении, продемонстрировали значительный прогресс в этой области. Такие методы обладают высокой способностью к обучению представлений крупномасштабных последовательностей без учителя и выявлению аномалий в данных. Однако большинство из них тесно связано с конкретными сценариями применения и поэтому требует предметных знаний для корректного внедрения. В этом обзоре изложены основы обнаружения аномалий во временных рядах и рассмотрены последние практические приложения в реальном мире. Кроме того, проведен сравнительный анализ современных моделей глубокого обнаружения аномалий во временных рядах с использованием нескольких эталонных наборов данных. Наконец, предложены рекомендации по выбору моделей и стратегии обучения для обнаружения аномалий во временных рядах на основе глубокого обучения.
Key Findings
1
Методы глубокого обучения способны в неконтролируемом режиме извлекать представления из крупномасштабных последовательностей и выявлять аномалии без размеченных данных.
2
Существующие модели глубокого обнаружения аномалий часто сильно зависят от конкретного сценария применения и требуют предметных знаний для корректного внедрения.
3
Обнаружение аномалий в многомерных временных рядах требует совместного моделирования временных зависимостей и взаимосвязей между переменными.
4
В статье представлены рекомендации по выбору и обучению моделей глубокого обучения для обнаружения аномалий во временных рядах.
5
В обзоре проводится сравнительный анализ современных моделей глубокого обучения для обнаружения аномалий на нескольких эталонных наборах данных.
Research Object
многомерные временные ряды, генерируемые автоматизированными и подключёнными системами
Research Subject
обнаружение аномалий на основе глубокого обучения, включая моделирование временных зависимостей и взаимосвязей между переменными, а также сравнительную эффективность моделей обнаружения
Publication Details
Publication Date
2021-01-01
Journal
Publisher
ISSN
Cited by
667
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai17
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Использование генеративного искусственного интеллекта для масштабирования интеллектуальных обучающих систем2023
Обучение представлений фраз с использованием RNN энкодер–декодера для статистического машинного перевода2014
Преобразование изображений в изображения с помощью условных состязательных сетей2017
Генеративно-состязательные сети2020
Нейронный машинный перевод посредством совместного обучения выравниванию и переводу2014
Обучение представлений без учителя с помощью глубоких сверточных генеративных состязательных сетей2015
Преодоление катастрофического забывания в нейронных сетях2017
Надёжное обнаружение аномалий в многомерных временных рядах с использованием стохастической рекуррентной нейронной сети2019
Обзор выявления выбросов/аномалий во временных рядах2021
Обнаружение аномалий в многомерных временных рядах на основе графовых нейронных сетей2021
Сравнительная оценка алгоритмов неконтролируемого обнаружения аномалий для многомерных данных2016
Обнаружение аномалий в многомерных временных рядах с помощью графовой сети внимания2020
DeepAnT: Подход на основе глубокого обучения для неконтролируемого обнаружения аномалий во временных рядах2018
Метод обнаружения аномалий данных для мониторинга состояния конструкций на основе компьютерного зрения и глубокого обучения2018
Обучение структур графов с помощью Transformer для обнаружения аномалий в многомерных временных рядах в Интернете вещей2021
Конвейер с поддержкой искусственного интеллекта для динамической генерации достоверного контента о пищевых добавках в больших масштабах2022