Глубокое обучение для обнаружения аномалий во временных рядах: обзор
Deep Learning for Time Series Anomaly Detection: A Survey
2024-08-30
SCID: 54.1/try3t9qg
Discuss with AI
стратегии обнаружения аномалийглубокое обучениемодели глубокого обученияобзор современного состоянияобнаружение аномалий во временных рядах
Figures from the paper
Abstract (AI)
Обнаружение аномалий во временных рядах имеет важное значение для широкого спектра научных областей и практических приложений, включая финансовые рынки, экономику, науки о Земле, производство и здравоохранение. Наличие аномалий может указывать на новые или неожиданные события, такие как производственные неисправности, дефекты систем и учащённое сердцебиение, и поэтому представляет особый интерес. Большой объём и сложность закономерностей в данных временных рядов побудили исследователей разрабатывать специализированные модели глубокого обучения для обнаружения аномальных закономерностей. В этом обзоре представлен структурированный и всесторонний анализ современных методов глубокого обучения для обнаружения аномалий во временных рядах. Предложена таксономия, основанная на стратегиях обнаружения аномалий и моделях глубокого обучения. Помимо описания базовых методов обнаружения аномалий в каждой категории, рассматриваются их преимущества и ограничения. Кроме того, в исследовании приведены примеры применения глубокого обнаружения аномалий во временных рядах в различных предметных областях за последние годы. Наконец, обобщены нерешённые исследовательские задачи и проблемы, возникающие при адаптации моделей глубокого обнаружения аномалий к данным временных рядов.
Key Findings
1
Разработана таксономия, организованная по стратегиям обнаружения аномалий и типам моделей глубокого обучения.
2
Рассмотрены недавние применения глубокого обнаружения аномалий в финансах, экономике, науках о Земле, производстве, здравоохранении и других областях.
3
Исследование выявляет открытые научные проблемы и практические трудности внедрения моделей глубокого обучения для обнаружения аномалий во временных рядах.
4
В обзоре сопоставляются преимущества и ограничения методов обнаружения аномалий в каждой категории таксономии.
5
В обзоре представлен структурированный анализ современных методов глубокого обучения для обнаружения аномалий во временных рядах.
Research Object
данные временных рядов
Research Subject
методы и стратегии глубокого обучения для обнаружения аномальных паттернов во временных рядах, включая их преимущества, ограничения и проблемы внедрения
Publication Details
Publication Date
2024-08-30
Journal
Publisher
ISSN
Cited by
857
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai20
Использование генеративного искусственного интеллекта для масштабирования интеллектуальных обучающих систем2023
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Снижение размерности данных с помощью нейронных сетей2006
Обнаружение аномалий2009
Эмпирическая оценка управляемых рекуррентных нейронных сетей для моделирования последовательностей2014
Модель графовой нейронной сети2008
О свойствах нейронного машинного перевода: подходы энкодер–декодер2014
Глубокое обучение для обнаружения аномалий2021
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
Обнаружение аномалий без учителя с помощью вариационного автокодировщика для сезонных KPI в веб-приложениях2018
Обнаружение аномалий в потоковых данных в реальном времени без учителя2017
Обнаружение аномалий во временных рядах2022
Обнаружение аномалий в многомерных временных рядах с помощью графовой сети внимания2020
DeepAnT: Подход на основе глубокого обучения для неконтролируемого обнаружения аномалий во временных рядах2018
Сервис обнаружения аномалий во временных рядах в Microsoft2019
Практический подход к обнаружению и локализации аномалий в асинхронных многомерных временных рядах2021
Глубокое обучение для обнаружения аномалий во временных рядах данных: обзор, анализ и рекомендации2021
Обнаружение и интерпретация аномалий в многомерных временных рядах с использованием иерархического межметрического и временного вложения2021
Работы, цитирующие эту статью3
Обзор графовых нейронных сетей для временных рядов: прогнозирование, классификация, импутация и обнаружение аномалий2024
DCdetector: контрастивное обучение представлений временных рядов с двойным вниманием для обнаружения аномалий2023
Обзор глубокого обнаружения аномалий в многомерных временных рядах: таксономия, приложения и направления исследований2025