AITOP
论文

SCAN：基于多尺度邻域中心聚类的时间序列异常检测方法

SCAN: Enhance Time Series Anomaly Detection via Multi-Scale Neighborhood-Centered Clustering

arXiv cs.LG@Xingze Zheng, Hanyin Cheng, Siyuan Wang, Yiting Hao, Peng Chen, Yuan Jun, Yang Shu学术论文
阅读原文
精选理由

SCAN这篇论文用多尺度聚类解决了异常检测的老问题，比之前的方法效果好，搞时序异常检测的值得看看。

AI 摘要

SCAN提出多尺度聚类增强重建型时间序列异常检测，在UCR、KDD21等数据集上取得最先进结果。表示层面整合正常模式聚类中心表示，约束模型聚焦代表性正常模式。异常判据层面基于聚类隶属概率导出异常置信度分数，并与重建误差构成双判据。在多尺度邻域中心表示上执行多视图聚类，提升聚类性能。实验覆盖7个真实数据集，平均AUROC比现有方法提升2.3%。

AI 翻译 · 中文

SCAN提出多尺度聚类增强重建型时间序列异常检测，在UCR、KDD21等数据集上取得最先进结果。表示层面整合正常模式聚类中心表示，约束模型聚焦代表性正常模式。异常判据层面基于聚类隶属概率导出异常置信度分数，并与重建误差构成双判据。在多尺度邻域中心表示上执行多视图聚类，提升聚类性能。实验覆盖7个真实数据集，平均AUROC比现有方法提升2.3%。

arXiv cs.LGTime series anomaly detection plays a crucial role in a wide range of real-world applications. Reconstruction-based methods have become the mainstream paradigm, but they suffer from over-generalization and under-generali…
#SCAN#时间序列异常检测#异常检测#多尺度聚类
阅读原文
← 返回首页看更多 AI 资讯