Los puntos clave no están disponibles para este artículo en este momento.
Los modelos generativos profundos han demostrado su efectividad en el aprendizaje de representaciones latentes y en el modelado de dependencias complejas de series temporales. En este artículo, presentamos un modelo de autoencodificador variacional secuencial que induce suavidad (SISVAE) para la estimación robusta y la detección de anomalías en series temporales multidimensionales. Nuestro modelo se basa en el VAE, y su estructura fundamental está cumplida por una red neuronal recurrente para captar estructuras temporales latentes de las series temporales tanto para el modelo generativo como para el modelo de inferencia. Específicamente, nuestro modelo parametriza la media y la varianza para cada marca de tiempo con redes neuronales flexibles, lo que resulta en un modelo no estacionario que puede funcionar sin la suposición de ruido constante como comúnmente se hace en los modelos de Markov existentes. Sin embargo, tal flexibilidad puede hacer que el modelo sea frágil ante anomalías. Para lograr una estimación de densidad robusta que también pueda beneficiar a las tareas de detección, proponemos un previo que induce suavidad sobre las estimaciones posibles. El previo propuesto actúa como un regularizador que impone penalización en reconstrucciones no suaves. Nuestro modelo se aprende de manera eficiente con un nuevo estimador bayesiano variacional de gradiente estocástico. En particular, estudiamos dos criterios de decisión para la detección de anomalías: probabilidad de reconstrucción y error de reconstrucción. Mostramos la efectividad de nuestro modelo tanto en conjuntos de datos sintéticos como en bancos de datos públicos del mundo real.
Li et al. (Mon,) estudiaron esta cuestión.