Core Concepts
Die Dimensionsreduktion verbessert die Anomalieerkennungsleistung in multivariaten Zeitreihen.
Abstract
Dieser Artikel untersucht den Einfluss von Dimensionsreduktionstechniken auf die Anomalieerkennungsmodelle MUTANT und Anomaly-Transformer in multivariaten Zeitreihen. Es werden PCA, UMAP, Random Projection und t-SNE als Dimensionsreduktionstechniken betrachtet. Die Ergebnisse zeigen, dass die Dimensionsreduktion nicht nur die Modellgenauigkeit verbessert, sondern auch die Effizienz steigert. Die Modelle MUTANT und Anomaly-Transformer zeigen unterschiedliche Anpassungsfähigkeiten an die verschiedenen Dimensionalitätsreduktionstechniken und Datensätze. Die Studie hebt die Bedeutung der Auswahl geeigneter Techniken für die Dimensionsreduktion hervor.
Struktur:
Einleitung & Verwandte Arbeiten
Überblick über verschiedene Dimensionsreduktionsmethoden
Überblick über multivariate Zeitreihen-Anomalieerkennungsmodelle
Empirische Studie
Diskussion der Ergebnisse
Schlussfolgerung und zukünftige Arbeit
Stats
Eine bemerkenswerte Reduzierung der Trainingszeiten um etwa 300% und 650% wurde beobachtet, wenn die Dimensionalität halbiert bzw. auf das Minimum reduziert wurde.
Quotes
"Die Dimensionsreduktion verbessert die Anomalieerkennungsleistung in bestimmten Szenarien signifikant."