TeVAE: A Variational Autoencoder Approach for Discrete Online Anomaly Detection in Variable-state Multivariate Time-series Data

随着在汽车测试领域对记录数据的关注不断增加，手动评估已经达到了极限，自动在线异常检测的需求也越来越大。这些现实世界的数据在许多方面都很复杂，需要对被测试对象的行为进行建模。为了解决这个问题，我们提出了一种时间变分自编码器（TeVAE），可以在未标记的数据上进行训练，检测异常时误报率最小。我们的方法还避免了旁路现象，并引入了一种将单个窗口重新映射到连续时间序列的新方法。此外，我们提出了衡量检测延迟和根本原因能力的指标，并展示了对真实工业数据集进行实验的结果。当正确配置时，TeVAE仅在6%的时间内错误地标记异常，并检测到65%的异常。它还具有在较小的训练和验证子集上表现良好的潜力，但需要更复杂的阈值估计方法。

提出了一种解决汽车测试中自动在线异常检测的方法，该方法可以在未标记数据的情况下训练，并且可以避免绕过现象。

提出了一种基于时间变分自编码器（TeVAE）的方法，可以将单个窗口重新映射到连续的时间序列，以检测异常，并且可以避免绕过现象。

实验使用了真实的工业数据集，并且当正确配置时，TeVAE 误报率只有 6%，可以检测到 65% 的异常。此外，还提出了评估检测延迟和根本原因能力的度量方法。

最近的相关研究包括：'Anomaly Detection in Automotive Industry Using Machine Learning Techniques'，'Real-Time Anomaly Detection in Streaming Sensor Data'等。