識别異常點本身可以是一個目标（異常檢測），也可以是提高其他時間序列任務（如預測）性能的手段。最近基于深度學習的異常檢測和預測方法通常假設訓練資料中的異常比例小到可以忽略，并将未标記的資料視為來自正常的資料分布。我們提出了一種簡單而有效的技術來增強現有的時間序列模型，使其明确考慮訓練資料中的異常情況。通過用一個潛在的異常名額變量來增加訓練資料，該變量的分布是在使用蒙特卡洛EM訓練基礎模型時推斷出來的，我們的方法在提高模型在名義資料上的性能的同時也推斷出了異常點。我們通過将該方法與一個簡單的前饋預測模型相結合，證明了該方法的有效性。我們研究了訓練集中的異常點如何影響預測模型的訓練，這些模型通常用于時間序列的異常檢測，并表明我們的方法改善了模型的訓練。
《Monte Carlo EM for Deep Time Series Anomaly Detection》
論文位址:http://arxiv.org/abs/2112.14436v1
