AutoML metody pro detekci anomálií v časových řadách

Abstract

Úspěšné použití metod automatizovaného strojového učení (AutoML) pro detekci anomálií v časových řadách, v případě, kdy není k dispozici téměř žádná nebo žádná informace vyjadřující anomalitu dat, je náročný problém. Tato práce poskytuje přehled nejnovějších přístupů v oblasti detekce anomálií, AutoML a vyhodnocení modelů pro detekci anomálií. Provedené experimenty se zaměřují na sestavení nových AutoML kombinací z dostupných metod pro detekci anomálií v jednorozměrných časových řadách při částečně supervizovaném a nesupervizovaném učení. Hlavní náplní experimentů bylo vyhodnocení metrik nesupervizovaného učení pro optimalizaci hyperparametrů a meta-learning přístup pro výběr modelů. Výsledky experimentů této práce nabízí nové poznatky k současným metodám a otevírájí směry pro budoucí výzkum.

Successfully deploying automated machine learning (AutoML) for anomaly detection in time series data where little or no ground truth information is available is a challenging problem that is ever more important. This thesis provides an overview of state-of-the-art approaches in the fields of anomaly detection, AutoML, and evaluation of anomaly detection models. The conducted experiments focus on composing new AutoML pipelines from available methods for anomaly detection in univariate time series data in semisupervised and unsupervised settings. The main focus of the experiments was an evaluation of unsupervised metrics for hyperparameter optimization and a meta-learning approach for model selection. The results of this thesis offer new insight into the methods available and several directions for future work.