面向多元时序数据的个性化联邦异常检测方法

摘要：

随着实时传感器在诸如机场、发电厂、智能工厂和医疗保健系统等各种领域的广泛运用,对多变量时间序列数据的异常检测变得更加重要.然而,目前面临两个关键的挑战.数据机构的敏感数据通常以孤岛的形式存在,这使得在保护隐私安全的前提下难以融合数据,无法训练出高性能的异常检测模型.不同数据机构的数据存在统计异构性,在个性化数据场景下,使用统一的异常检测模型的性能不佳.提出了一种面向多元时序数据的个性化联邦异常检测框架FedPAD(federated personalized anomaly detection).FedPAD基于联邦学习架构,在保护隐私的前提下进行数据聚合,通过微调构建相对个性化的模型.在NASA航天器数据集上的实验表明,FedPAD能够实现准确和个性化的异常检测,相比于基准方法F1分数平均提高了6.9％.

关键词：多元时序数据、异常检测、联邦学习、个性化

所属期刊栏目：58

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;广东省自然科学基金

在线出版日期：2022-06-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：60-65