ExCal多变量时间序列异常检测方法
热点事件持续更新
ExCal多变量时间序列异常检测方法
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
Kadir-Kaan Özer、René Ebeling和Markus Enzweiler提出ExCal，一种无需梯度优化或异常标签的多变量时间序列异常检测方法；在TSB-AD-M评测的24种方法中排名第二。它在17个家族的180条序列上取得AUC-PR 0.421、VUS-PR 0.452；经Holm校正后，与排名靠前的AxonAD和StreamVAE差异不显著，但显著优于其余21种基线。 ExCal的评分依赖待评估的完整序列，因此属于批处理、传导式方法，不能直接用于在线检测。其诊断效用尚未经过评估。
AI 根据报道生成 · 45 分钟前更新
最新进展10月28日 12:00
ExCal：通过超额校准实现无需优化的多变量时间序列异常检测报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · Machine LearningExCal：通过超额校准实现无需优化的多变量时间序列异常检测
ExCal提出一种无需梯度优化或异常标签的多变量时间序列异常检测方法，在TSB-AD-M评测中位列24种方法第二。其在17个家族的180条序列上取得AUC-PR 0.421±0.37、VUS-PR 0.452±0.37（3个种子）。Holm校正检验显示，ExCal与AxonAD、StreamVAE差异不显著，但显著优于其余21个基线；推理依赖完整评分序列，属于批处理、传导式而非在线。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。