Обзор глубокого обнаружения аномалий в многомерных временных рядах: таксономия, приложения и направления исследований
A Survey of Deep Anomaly Detection in Multivariate Time Series: Taxonomy, Applications, and Directions
2025-01-01
SCID: 54.1/v4et7zmt
Discuss with AI
глубокое обучениемежпеременные взаимосвязиобнаружение аномалий в многомерных временных рядахобщедоступные наборы данныхвременные зависимости
Figures from the paper
Abstract (AI)
Обнаружение аномалий в многомерных временных рядах (MTSAD) позволяет эффективно выявлять и анализировать аномальное поведение в сложных системах, что особенно важно в таких областях, как финансовый мониторинг, обнаружение неисправностей промышленного оборудования и кибербезопасность. Поскольку MTSAD требует одновременного анализа временных зависимостей и взаимосвязей между переменными, исследователи разработали специализированные модели глубокого обучения для обнаружения аномальных закономерностей. В данной статье представлен структурированный и всесторонний обзор современных методов глубокого обучения для обнаружения аномалий в многомерных временных рядах. Сначала предлагается таксономия стратегий обнаружения аномалий с точки зрения парадигм обучения и моделей глубокого обучения, после чего приводится систематический обзор с акцентом на их преимущества и недостатки. Кроме того, систематизированы общедоступные наборы данных для обнаружения аномалий во временных рядах вместе с соответствующими областями применения. Наконец, определены открытые проблемы для будущих исследований в области MTSAD.
Key Findings
1
Предложена таксономия, организованная по парадигмам обучения и архитектурам моделей глубокого обучения.
2
Открытые наборы данных для обнаружения аномалий во временных рядах систематизированы по областям применения.
3
Выделены открытые проблемы и направления будущих исследований в области глубокого обнаружения аномалий в многомерных временных рядах.
4
В статье представлен структурированный обзор современных методов глубокого обучения для обнаружения аномалий в многомерных временных рядах.
5
Систематически проанализированы преимущества и недостатки существующих методов обнаружения аномалий в многомерных временных рядах.
Research Object
Многомерные временные ряды в сложных системах
Research Subject
Выявление и анализ аномального поведения с помощью глубокого обучения путем моделирования временных зависимостей и взаимосвязей между переменными
Publication Details
Publication Date
2025-01-01
Journal
Publisher
ISSN
Cited by
119
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai15
Генеративно-состязательные сети2020
Глубокое обучение для обнаружения аномалий2021
Надёжное обнаружение аномалий в многомерных временных рядах с использованием стохастической рекуррентной нейронной сети2019
Обнаружение аномалий в многомерных временных рядах на основе графовых нейронных сетей2021
Обнаружение аномалий в потоковых данных в реальном времени без учителя2017
Глубокое обучение для обнаружения аномалий во временных рядах: обзор2024
Обнаружение аномалий в многомерных временных рядах с помощью графовой сети внимания2020
Финансовое мошенничество: обзор методов обнаружения аномалий и последних достижений2021
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
Обнаружение и интерпретация аномалий в многомерных временных рядах с использованием иерархического межметрического и временного вложения2021
DCdetector: контрастивное обучение представлений временных рядов с двойным вниманием для обнаружения аномалий2023
TadGAN: обнаружение аномалий во временных рядах с использованием генеративных состязательных сетей2020
Anomaly Transformer: обнаружение аномалий во временных рядах с использованием расхождения ассоциаций2024