Hybrid Meta-Learning Framework for Anomaly Forecasting in Nonlinear Dynamical Systems via Physics-Inspired Simulation and Deep Ensembles
Abdullah Burkan Bereketoglu
我们提出了一个混合元学习框架,用于以非静止和随机行为为特征的非线性动态系统中的预测和异常检测。 该方法集成了一个物理启发的模拟器,通过随机扰动捕获非线性生长-放松动力学,代表许多复杂的物理,工业和网络物理系统。 我们使用CNN-LSTM架构进行时空特征提取,用于无监督异常评分的变奏自动编码器(VAE),以及用于基于残余的异常检测的隔离森林,以及双阶段注意力递归神经网络(DA-RNN)用于在生成的模拟数据之上进行一步预测。 为了创建复合异常预测,这些模型使用元学习者组合,该元学习者结合了预测输出,重建错误和剩余分数。 根据基于模拟的实验,混合集成在异常定位、泛化和稳健性到非线性偏差方面比独立模型性能更好。 该框架为非线性系统的早期缺陷识别和预测监测提供了广泛的数据驱动方法,这可能应用于可能无法访问的完整物理模型的各种场景。
We propose a hybrid meta-learning framework for forecasting and anomaly detection in nonlinear dynamical systems characterized by nonstationary and stochastic behavior. The approach integrates a physics-inspired simulator that captures nonlinear growth-relaxation dynamics with random perturbations, representative of many complex physical, industrial, and cyber-physical systems. We use CNN-LSTM architectures for spatio-temporal feature extraction, Variational Autoencoders (VAE) for unsupervised a...
