TeVAE: A Variational Autoencoder Approach for Discrete Online Anomaly Detection in Variable-state Multivariate Time-series Data
Lucas Correia, Jan-Christoph Goos, Philipp Klein, Thomas Bäck, Anna V. Kononova
随着对记录数据的关注在汽车测试和手动评估领域达到极限,对自动在线异常检测的需求越来越大。 这种真实世界的数据在许多方面是复杂的,需要对被试者的行为进行建模。 为了解决这个问题,我们提出了一个时间变异自动编码器(TeVAE),它可以在未标记的数据上训练时以最小的误报检测异常。 我们的方法也避免了旁路现象,并引入了一种新的方法,将单个窗口重新映射到连续的时间序列。 此外,我们提出了评估我们方法的检测延迟和根本原因能力的指标,并介绍了现实世界工业数据集实验的结果。 如果正确配置,TeVAE标记的异常值只有6%的时间是错误的,并检测65%的异常存在。 它还具有在较小的训练和验证子集方面表现良好的潜力,但需要更复杂的阈值估计方法。
As attention to recorded data grows in the realm of automotive testing and manual evaluation reaches its limits, there is a growing need for automatic online anomaly detection. This real-world data is complex in many ways and requires the modelling of testee behaviour. To address this, we propose a temporal variational autoencoder (TeVAE) that can detect anomalies with minimal false positives when trained on unlabelled data. Our approach also avoids the bypass phenomenon and introduces a new met...
