Ist es lohnenswert? Vergleich von sechs tiefen und klassischen Methoden zur unüberwachten Anomalieerkennung in Zeitreihen

Die Erkennung von Anomalien in Zeitreihendaten ist in verschiedenen Bereichen von großer Bedeutung, darunter Systemüberwachung, Gesundheitswesen und Cybersicherheit. Obwohl die Vielzahl verfügbarer Methoden die Auswahl der geeignetsten Methode für eine bestimmte Anwendung erschwert, zeichnen sich die einzelnen Ansätze durch unterschiedliche Stärken bei der Erkennung bestimmter Anomalietypen aus. In dieser Studie vergleichen wir sechs unüberwachte Anomalieerkennungsmethoden unterschiedlicher Komplexität, um zu untersuchen, ob komplexere Methoden grundsätzlich bessere Leistungen erbringen und ob bestimmte Methoden bestimmten Anomalietypen besser angepasst sind. Die Evaluierung erfolgt anhand der UCR-Anomalie-Archive, eines aktuellen Benchmark-Datensatzes für die Anomalieerkennung. Die Ergebnisse werden auf Datensatz- und Anomalietyp-Ebene analysiert, nachdem die notwendigen Hyperparameter für jede Methode angepasst wurden. Zudem bewerten wir die Fähigkeit jeder Methode, vorherige Kenntnisse über Anomalien zu integrieren, und untersuchen die Unterschiede zwischen punktweisen und sequenzweisen Merkmalen. Unsere Experimente zeigen, dass klassische maschinelle Lernmethoden im Vergleich zu tiefen Lernmethoden über eine Vielzahl von Anomalietypen hinweg im Allgemeinen bessere Ergebnisse erzielen.