时间序列单类分类方法在异常检测中的系统综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Time series one class classification: a systematic review of methods, applications, and challenges

　　

摘要

时间序列单类分类（TS-OCC）已成为一种重要的机器学习范式，用于在异常数据稀缺或难以标注的领域中检测异常和验证模式，例如精密制造、医疗监测、金融和网络安全等领域。与传统的多类分类不同，TS-OCC模型仅使用正常数据进行训练，并识别表明故障、失效或不规则事件的偏差。本文综述了TS-OCC方法在时间数据中建模、检测和解释异常的演变过程。采用系统性方法，本文综述了Scopus和Web of Science的文献，将现有方法分为六大类别：基于距离的方法、基于边界的方法、基于密度的方法、基于重构的方法、基于特征表示的方法和基于对比表示的方法。本文从建模原理、代表性算法、基准数据集、评估策略、计算特征和应用领域等方面对这些方法论范式进行了批判性比较。同时，本文还探讨了现有问题，如阈值校准、概念漂移、可解释性、基准测试、计算效率以及在资源受限环境中的部署。本综述旨在弥合概念理解与实际部署洞察之间的差距，从而为从事这一快速演变领域的研究人员、工程师和从业者提供一份路线图。