Adversarial Autoencoder for Unsupervised Time Series Anomaly Detection and Interpretation

异常检测 自编码 计算机科学 人工智能 时间序列 系列(地层学) 数据挖掘 异常(物理) 模式识别(心理学) 机器学习 深度学习 凝聚态物理 生物 物理 古生物学
作者
Xuanhao Chen,Liwei Deng,Yan Zhao,Kai Zheng
标识
DOI:10.1145/3539597.3570371
摘要

In many complex systems, devices are typically monitored and generating massive multivariate time series. However, due to the complex patterns and little useful labeled data, it is a great challenge to detect anomalies from these time series data. Existing methods either rely on less regularizations, or require a large number of labeled data, leading to poor accuracy in anomaly detection. To overcome the limitations, in this paper, we propose an adversarial autoencoder anomaly detection and interpretation framework named DAEMON, which performs robustly for various datasets. The key idea is to use two discriminators to adversarially train an autoencoder to learn the normal pattern of multivariate time series, and thereafter use the reconstruction error to detect anomalies. The robustness of DAEMON is guaranteed by the regularization of hidden variables and reconstructed data using the adversarial generation method. An unsupervised approach used to detect anomalies is proposed. Moreover, in order to help operators better diagnose anomalies, DAEMON provides anomaly interpretation by computing the gradients of anomalous data. An extensive empirical study on real data offers evidence that the framework is capable of outperforming state-of-the-art methods in terms of the overall F1-score and interpretation accuracy for time series anomaly detection.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
张强关注了科研通微信公众号
1秒前
2秒前
79发布了新的文献求助20
2秒前
wanci应助tanghong采纳,获得10
2秒前
3秒前
hhhh完成签到,获得积分10
3秒前
CL发布了新的文献求助10
5秒前
心杨发布了新的文献求助10
5秒前
zimu0415发布了新的文献求助30
5秒前
6秒前
科研小虫应助阿木采纳,获得10
6秒前
7秒前
马鲛发布了新的文献求助10
7秒前
不回首发布了新的文献求助10
8秒前
阳光的棉花糖完成签到,获得积分10
9秒前
9秒前
蝙蝠发布了新的文献求助50
10秒前
10秒前
传奇3应助yyyy采纳,获得10
11秒前
chentl发布了新的文献求助10
11秒前
萧水白应助飘逸迎彤采纳,获得10
12秒前
洗了蒜了完成签到,获得积分10
12秒前
爱听歌凤灵完成签到,获得积分10
12秒前
13秒前
yy发布了新的文献求助10
13秒前
15秒前
隐形曼青应助章鱼哥采纳,获得10
15秒前
子车茗应助洁净的幼珊采纳,获得20
15秒前
15秒前
15秒前
无花果应助凯文采纳,获得30
16秒前
Orange应助J.采纳,获得10
17秒前
峰1992发布了新的文献求助10
19秒前
19秒前
明亮的遥完成签到 ,获得积分10
20秒前
tanghong发布了新的文献求助10
20秒前
20秒前
汤灭龙完成签到,获得积分10
21秒前
21秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 850
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3251986
求助须知:如何正确求助?哪些是违规求助? 2894895
关于积分的说明 8283768
捐赠科研通 2563527
什么是DOI,文献DOI怎么找? 1391650
科研通“疑难数据库(出版商)”最低求助积分说明 651925
邀请新用户注册赠送积分活动 628894