ترجمه فارسی مقاله OML-AD: یادگیری ماشین آنلاین برای تشخیص ناهنجاری در داده های سری زمانی

چکیده

Time series are ubiquitous and occur naturally in a variety of applications — from data recorded by sensors in manufacturing processes, over financial data streams to climate data. Different tasks arise, such as regression, classification or segmentation of the time series. However, to reliably solve these challenges, it is important to filter out abnormal observations that deviate from the usual behavior of the time series. While many anomaly detection methods exist for independent data and stationary time series, these methods are not applicable to non-stationary time series. To allow for non-stationarity in the data, while simultaneously detecting anomalies, we propose OML-AD, a novel approach for anomaly detection (AD) based on online machine learning (OML). We provide an implementation of OML-AD within the Python library River and show that it outperforms state-of-the-art baseline methods in terms of accuracy and computational efficiency.

چکیده به فارسی (ترجمه ماشینی)

سری زمانی همه جا است و به طور طبیعی در برنامه های مختلف رخ می دهد – از داده های ثبت شده توسط سنسورها در فرآیندهای تولید ، بیش از جریان داده های مالی تا داده های آب و هوا.وظایف مختلفی مانند رگرسیون ، طبقه بندی یا تقسیم بندی سری زمانی بوجود می آید.با این حال ، برای حل قابل اعتماد این چالش ها ، مهم است که مشاهدات غیر طبیعی را که از رفتار معمول سری زمانی منحرف می شوند ، فیلتر کنید.در حالی که بسیاری از روش های تشخیص ناهنجاری برای داده های مستقل و سری زمانی ثابت وجود دارد ، این روش ها برای سری زمانی غیر ثابت کاربرد ندارد.برای عدم استقرار در داده ها ، در حالی که همزمان ناهنجاری ها را تشخیص می دهیم ، ما OML-AD را پیشنهاد می کنیم ، یک رویکرد جدید برای تشخیص ناهنجاری (AD) بر اساس یادگیری ماشین آنلاین (OML).ما یک اجرای OML-AD را در رودخانه کتابخانه پایتون ارائه می دهیم و نشان می دهیم که از نظر دقت و کارآیی محاسباتی از روشهای پیشرفته اصلی استفاده می کند.