ترجمه فارسی مقاله نمایه ماتریسی برای تشخیص ناهنجاری در سری های زمانی چند بعدی

چکیده

The Matrix Profile (MP), a versatile tool for time series data mining, has been shown effective in time series anomaly detection (TSAD). This paper delves into the problem of anomaly detection in multidimensional time series, a common occurrence in real-world applications. For instance, in a manufacturing factory, multiple sensors installed across the site collect time-varying data for analysis. The Matrix Profile, named for its role in profiling the matrix storing pairwise distance between subsequences of univariate time series, becomes complex in multidimensional scenarios. If the input univariate time series has n subsequences, the pairwise distance matrix is a n x n matrix. In a multidimensional time series with d dimensions, the pairwise distance information must be stored in a n x n x d tensor. In this paper, we first analyze different strategies for condensing this tensor into a profile vector. We then investigate the potential of extending the MP to efficiently find k-nearest neighbors for anomaly detection. Finally, we benchmark the multidimensional MP against 19 baseline methods on 119 multidimensional TSAD datasets. The experiments covers three learning setups: unsupervised, supervised, and semi-supervised. MP is the only method that consistently delivers high performance across all setups.

چکیده به فارسی (ترجمه ماشینی)

مشخصات ماتریس (MP) ، ابزاری همه کاره برای داده های سری زمانی ، در تشخیص ناهنجاری سری زمانی (TSAD) مؤثر است.این مقاله به مسئله تشخیص ناهنجاری در سری های زمانی چند بعدی ، یک اتفاق شایع در کاربردهای دنیای واقعی می پردازد.به عنوان مثال ، در یک کارخانه تولید ، سنسورهای متعدد نصب شده در سراسر سایت داده های متغیر زمان را برای تجزیه و تحلیل جمع آوری می کنند.مشخصات ماتریس ، که به دلیل نقش خود در پروفایل ماتریس ذخیره سازی فاصله زوجی بین پیروی از سری زمانی یک متغیره نامگذاری شده است ، در سناریوهای چند بعدی پیچیده می شود.اگر سری زمانی یک متغیره ورودی دارای پیامدهای N باشد ، ماتریس فاصله جفت یک ماتریس N x N است.در یک سری زمانی چند بعدی با ابعاد D ، اطلاعات مسافت زوجی باید در یک تنش N x N X D ذخیره شود.در این مقاله ، ما ابتدا استراتژی های مختلفی را برای چگالش این تانسور به یک بردار پروفایل تجزیه و تحلیل می کنیم.سپس پتانسیل گسترش نماینده مجلس را برای یافتن کارآمد همسایگان K-Near برای تشخیص ناهنجاری بررسی می کنیم.سرانجام ، ما نماینده مجلس چند بعدی را در برابر 19 روش پایه در 119 مجموعه داده TSAD چند بعدی معیار می کنیم.این آزمایش شامل سه مجموعه یادگیری است: بدون نظارت ، نظارت و نیمه تحت نظارت.MP تنها روشی است که به طور مداوم عملکرد بالایی را در تمام تنظیمات ارائه می دهد.