ترجمه فارسی مقاله تشخیص ناهنجاری مبتنی بر مدل آنلاین در سری‌های زمانی چند متغیره: طبقه‌بندی، بررسی، چالش‌های تحقیقاتی و مسیرهای آینده

چکیده

Time-series anomaly detection plays an important role in engineering processes, like development, manufacturing and other operations involving dynamic systems. These processes can greatly benefit from advances in the field, as state-of-the-art approaches may aid in cases involving, for example, highly dimensional data. To provide the reader with understanding of the terminology, this survey introduces a novel taxonomy where a distinction between online and offline, and training and inference is made. Additionally, it presents the most popular data sets and evaluation metrics used in the literature, as well as a detailed analysis. Furthermore, this survey provides an extensive overview of the state-of-the-art model-based online semi- and unsupervised anomaly detection approaches for multivariate time-series data, categorising them into different model families and other properties. The biggest research challenge revolves around benchmarking, as currently there is no reliable way to compare different approaches against one another. This problem is two-fold: on the one hand, public data sets suffers from at least one fundamental flaw, while on the other hand, there is a lack of intuitive and representative evaluation metrics in the field. Moreover, the way most publications choose a detection threshold disregards real-world conditions, which hinders the application in the real world. To allow for tangible advances in the field, these issues must be addressed in future work.

چکیده به فارسی (ترجمه ماشینی)

تشخیص ناهنجاری سری زمانی نقش مهمی در فرآیندهای مهندسی مانند توسعه ، تولید و سایر عملیات شامل سیستم های پویا دارد.این فرایندها می توانند از پیشرفت در این زمینه تا حد زیادی بهره مند شوند ، زیرا رویکردهای پیشرفته ممکن است در مواردی که به عنوان مثال داده های بسیار ابعادی را شامل می شود ، کمک کند.برای ارائه درک از اصطلاحات به خواننده ، این نظرسنجی یک طبقه بندی جدید را معرفی می کند که در آن تمایز بین آنلاین و آفلاین و آموزش و استنباط انجام می شود.علاوه بر این ، محبوب ترین مجموعه داده ها و معیارهای ارزیابی مورد استفاده در ادبیات ، و همچنین یک تحلیل دقیق را ارائه می دهد.علاوه بر این ، این نظرسنجی یک مرور کلی از رویکردهای تشخیصی ناهنجاری نیمه و بدون نظارت بر روی مدل های پیشرفته برای داده های سری چند متغیره ، طبقه بندی آنها را در خانواده های مختلف مدل و سایر خصوصیات ارائه می دهد.بزرگترین چالش تحقیقاتی حول محور معیار می چرخد ​​، زیرا در حال حاضر هیچ روش قابل اعتماد برای مقایسه رویکردهای مختلف در برابر یکدیگر وجود ندارد.این مشکل دو برابر است: از یک طرف ، مجموعه داده های عمومی حداقل از یک نقص اساسی رنج می برد ، در حالی که از طرف دیگر ، فقدان معیارهای ارزیابی بصری و نماینده در این زمینه وجود دارد.علاوه بر این ، نحوه انتخاب اکثر نشریات آستانه تشخیص ، از شرایط دنیای واقعی چشم پوشی می کند ، که مانع استفاده از دنیای واقعی می شود.برای امکان پیشرفت ملموس در این زمینه ، این موضوعات باید در کارهای بعدی مورد توجه قرار گیرد.