image - 从数据与图像进行时间序列异常检测

Question

我被分配了一个项目，为我们公司的 KPI 进行异常检测。我在 Twitter 上搜索并找到了 AnomalyDetection。我的同事有一个想法是对图形图像进行异常检测（与前一周的图像比较以识别异常点），而不是使用时间序列原始数据。

我不熟悉异常检测，这里的任何人都有经验并能够建议哪个更好（从数据或图像进行异常检测）：

1. 精度 2. 存储 3. 处理

标签： imagetwitteranomaly-detection

Answer 1

优点：

• 与数据无关。理论上可以在任何可以获得图像/可视化的东西上运行。
• 图像模型相对容易理解。
• 预训练模型可用。

缺点：

• 需要更多数据来学习有用的模型。图像像素空间比它所代表的时间序列要复杂得多。可能至少100倍。
• 需要更多的计算能力。无论是在训练时，还是在预测时。可能至少100倍。
• 数据集需要更多存储空间。可能至少100倍。
• 对可视化变化敏感。例如，标记或字体的更改将是异常情况。如果不加以控制，即使图像压缩的变化也可能会产生影响。
• 失去解释能力。可能很难知道为什么某个图像是异常的，即使对于像均值偏移这样的简单情况也是如此。
• 需要更复杂的模型设置和基础设施

对于像时间序列上的指标异常检测这样的应用程序，我不建议这样做。我什至不确定我是否看过它研究过。我认为不太可能通过图形上的图像处理来有效地构建用于度量的高性能异常检测系统。异常通常非常罕见，这意味着它是“低数据”场景。但也有许多异常非常简单，可以用简单的方法检测到——因为基本​​的阈值和精心选择的阈值可以有很长的路要走。使用图像处理无助于解决任何这些挑战，事实上在大多数方面它更糟糕。