本篇文章是发表于2019的USENIX会议上,文章目的对时间序列进行异常检测,用的迁移学习+主动学习的方式,对7个数据集进行实验。
(1)迁移学习,它将从标记的时间序列数据中学习到的常见异常行为迁移到大量的未标记数据集。通过迁移学习,可以利用数据集之间的共性,并减少目标数据集的标记工作。
(2)主动学习,通过在目标数据集中仅标记少量选定样本来提高检测性能。通过主动学习,具有特定特征的多样化数据可以通过少量的标记工作来解决
一、论文概括
- 研究对象
- 目的
- 方法
- 结果
二、相关研究工作
三、作者的研究方法(ATAD)
- 总体框架
- 迁移学习组件
(1)特征识别
(2)源域与目标域之间的传输 - 主动学习组件
(1)不确定性
(2)上下文多样性
(3)小结
(4)算法流程 - 实验