如有侵权或其他问题欢迎留言联系更正或删除。出处KDD 2024代码链接 https://github.com/Raminghorbanii/PATE一 动机介绍(1) “时序异常检测” 任务应该关注的要点① 早期检测Early Detection如上图的 a1 与 p11基于数据模式在时间维度上的微妙变化潜在的时序异常在其完全显现前被检测出② 延迟检测Delayed Detection如上图的 a1 与 p12当异常事件未被立即检测到而在稍后被检测出③ 启动响应时间Onset Response Time如上图的 a2 与 p21、p22p21更优指异常检测与事件开始间的距离* PS. 跟 Imdiffusion 内的 ADD差不多④ 预测覆盖级别Coverage level of Predictions如上图的 a3 与 p31、p32p31更优指预测覆盖实际异常的范围预测的有效性可通过它成功捕获了多少异常来衡量(2) PATE 与现有指标的全面比较二 Method(1) 事件分类① 预测事件分类Prediction events categoriesⅠ True - Detection准确检测且无任何遗漏如p1、p6-2Ⅱ Post - Buffer - Detection延后预测预测事件落入 “后缓冲区”如p2、p6-3缓冲区大小可由专家根据具体应用需求相应调整若缺乏专家知识可设定一系列长度的缓冲区Ⅲ Pre-Buffer Detection提前预警预测预测事件落入 “前缓冲区”如p4、p6-1缓冲区大小可由专家根据具体应用需求相应调整若缺乏专家知识可设定一系列长度的缓冲区注意“前缓冲区” 不与 “后缓冲区” 重叠“后缓冲区” 优先级高于 “前缓冲区”个人理解这代表 PATE 更重视对 时序异常 的 “全部检出”Ⅳ Outside完全处于缓冲区外的预测事件如p3、p7此处p7可能绘制错误② 异常事件分类Anomaly events categoriesⅠ Total Missed Anomalies完全遗漏异常如a4 和 p7Ⅱ Partial Missed Anomalies部分检出异常如a2 和 p5(2) 各类事件 对应的权重分配Ⅰ True - DetectionⅡ Post - Buffer - Detection针对 TP 的计算公式解读* 核心思想① 考虑整个异常事件的影响传统的异常检测方法可能只关注异常事件的起点或终点而这种方法通过计算点 t 与异常事件中所有点的距离全面考虑了异常事件的影响② 权重随距离减递点 t 距离异常事件越远其权重越低反映了异常事件的影响随时间逐渐减弱③ 归一化处理通过分母的归一化确保权重值在合理范围内便于后续分析。针对 FP 的计算直接与 TP 相反Ⅲ Outside WeightsⅣ Pre-Buffer Detection Weights与 Ⅱ 思想雷同此处仅展示公式针对 TP 的计算针对 FP 的计算Ⅴ Total Missed Anomalies WeightsⅥ Partial Missed Anomaly Weights:(3) PATE 的最终分数具体实验一部分重要结论其余结论较为符合直觉① s1 和 s5 对比s5 分数更高是因为 s5 更可能为滞后预测而 s1 更可能是随机噪音几乎为0① s2 和 s4 对比s2分数更高是因为 s2 更靠前异常检测的实时性极为重要具体实验二不同的数据集由于其数据特性应当被选择不同长度的缓冲区而 PATE 的先进之处还在于缓冲区大小的选择只会影响绝对值不会影响模型评估时的 “相对排名”PS. 在本文的附录内还介绍了一种新颖指标PATE - F1 另外 VUS 系列指标通过更改原始标签给出了不切实际的分数另外使用 VUS 评估理论最优时序异常分数未达理论最大值1