【标题】RLAD: Time Series Anomaly Detection through Reinforcement Learning and Active Learning 【作者团队】Tong Wu, Jorge Ortiz 【研究机构】罗格斯大学 【发表时间】2021.3.31 【论文链接】原文链接 【推荐理由】本文介绍了用于时间序列异常检测的RLAD。将深度强化学习和主动学习相结合，降低正常模式假设的可靠性和标签的可用性，是异常检测领域的首次尝试。RLAD通过在真实和合成数据集上标记一小部分样本而获得了出色的性能。实验结果表明，该模型在无监督和半监督技术上均优于最新技术。 本文引入了新颖的半监督时间序列异常检测算法，该算法使用深度强化学习(DRL)和主动学习来有效地学习和适应实时时间序列数据中的异常。该模型称为RLAD，其没有假设产生观察序列的潜在机制，而是根据对异常模式经验以不断调整检测模型。此外，其不需要手动调整参数，并且在多个性能指标上都优于与之相比的无监督和半监督的最新方法。更具体地说，该模型在f 1分数上以1.58的因子优于最佳无监督方法，只有1%的标签，而在另一个只有0.1％的真实数据集上，最高可达约4.4倍。在两个常见的异常检测数据集上比较了RLAD和七种基于深度学习的算法，这两个数据集具有高约300万个数据点和0.28％– 2.65％的异常。在几个重要的性能指标上均优于其他算法。 图1：基于深度强化学习的异常检测 图2：RLAD与其他算法对比

内容中包含的图片若涉及版权问题，请及时与我们联系删除