Human-Interpretable Rules for Anomaly Detection in Time-series
Les règles interprétables par l’homme pour la détection d’anomalies se réfèrent à des données anormales présentées dans un format qui ne peut pas être intelligible pour les analystes. L’apprentissage de ces règles est un problème difficile, alors que seuls quelques travaux abordent le problème des différents types d’anomalies dans les séries temporelles.
Cet article présente un arbre de décision étendu basé sur des modèles pour générer un ensemble minimisé de règles compréhensibles par l’homme pour la détection d’anomalies dans des séries temporelles univariées.
Cette méthode utilise l’optimisation bayésienne pour éviter le réglage manuel des hyper-paramètres. Nous définissons une mesure de qualité pour évaluer à la fois l’exactitude et l’intelligibilité des règles produites.
Les performances de la méthode proposée sont évaluées expérimentalement sur des ensembles de données réels et de référence. Les résultats montrent que notre approche génère des règles qui surpassent les techniques de détection d’anomalies de pointe.