解讀頂會CIKM'21 Historical Inertia論文
摘要：本文(Historical Inertia: An Ignored but Powerful Baseline for Long Sequence Time-series Forecasting)是由華為雲數據庫創新Lab聯合電子科技大學數據與智能實驗室發表在頂會CIKM’21的短文 ...
原文：解讀頂會ICDE’21論文：利用DAEMON算法解決多維時序異常檢測問題
摘要：該論文針對多維時序數據的異常檢測問題，提出了基於GAN和AutoEncoder的深度神經網絡算法，並取得了當前State of the Art SOTA 的檢測效果。論文是雲數據庫創新LAB在軌跡分析層面取得的關鍵技術成果之一。 本文分享自華為雲社區 ICDE DAEMON論文解讀 ，作者：雲數據庫創新Lab。 導讀 本文 DAEMON: Unsupervised Anomaly Dete ...
2021-09-07 10:02 0 177 推薦指數：
相關推薦
頂會VLDB'22論文解讀：多元時序預測算法METRO
摘要：本文提出了一個端到端的MTS預測框架METRO。METRO的核心思想是利用多尺度動態圖建模變量之間的依賴關系，考慮單尺度內信息傳遞和尺度間信息融合。 本文分享自華為雲社區《VLDB'22 METRO論文解讀》，作者：雲數據庫創新Lab 。 0 導讀 本文(METRO ...
頂會VLDB‘22論文解讀：CAE-ENSEMBLE算法
摘要：針對時間序列離群點檢測問題，提出了基於CNN-AutoEncoder和集成學習的CAE-ENSEMBLE深度神經網絡算法，並通過大量的實驗證明CAE-ENSEMBLE算法能有效提高時間序列離群點檢測的准確度與效率。 本文分享自華為雲社區《VLDB'22 CAE-ENSEMBLE論文 ...
《時序異常檢測算法概覽》
時序異常檢測算法概覽 2018-09-03 17:08:49 分類： 人工智能與大數據 來自：論智（微信號：jqr_AI），作者：Pavel Tiunov，編譯：weakish來源：statsbot，原文鏈接 編者按：Statsbot CTO ...
頂會CIKM'21論文解讀：基於圖神經網絡的人類行為軌跡恢復模型
摘要：本文是由華為雲數據庫創新Lab聯合電子科技大學數據與智能實驗室發表在頂會CIKM’21的文章，該文章提出首個克服人類移動軌跡數據中普遍存在的多層次周期性、周期偏移現象以及數據稀疏問題的軌跡恢復模型。 本文分享自華為雲社區《CIKM'21 PeriodicMove論文解讀》，作者：雲 ...
網絡KPI異常檢測之時序分解算法
時間序列數據伴隨着我們的生活和工作。從牙牙學語時的“1, 2, 3, 4, 5, ……”到房價的走勢變化，從金融領域的刷卡記錄到運維領域的核心網性能指標。時間序列中的規律能加深我們對事物和場景的認識，時間序列中的異常能提醒我們某些部分可能出現問題。那么如何去發現時間序列中的規律、找出其中的異常點 ...
網絡KPI異常檢測之時序分解算法
【摘要】 如何去發現時間序列中的規律、找出其中的異常點呢？接下來，我們將揭開這些問題的面紗。 時間序列數據伴隨着我們的生活和工作。從牙牙學語時的“1, 2, 3, 4, 5, ……”到房價的走勢變化，從金融領域的刷卡記錄到運維領域的核心網性能指標。時間序列中的規律能加深我們對事物和場景的認識 ...
從時序異常檢測（Time series anomaly detection algorithm）算法原理討論到時序異常檢測應用的思考
1. 主要觀點總結 0x1：什么場景下應用時序算法有效 歷史數據可以被用來預測未來數據，對於一些周期性或者趨勢性較強的時間序列領域問題，時序分解和時序預測算法可以發揮較好的作用，例如： 四季與天氣的關系模式 以交通量計算的交通高峰期的模式 心跳的模式 ...