基于元学习的自动化异常检测

在实际的工业生产环境中，常常需要监控机器相关指标的运行状况，对于一个多变量的无监督异常检测任务，由于缺乏带标签的数据，并且同一个检测算法在不同数据集上的性能表现不同，模型设计依赖于人工调整，所以如何高效选择一个异常检测模型并完成超参数调整成为了一个亟待解决的问题。在这篇文章中，我们建立了一个异常检测模型自动选择机制，称为AutoAD (Auto Anomaly Detector)。AutoAD利用了历史数据上异常检测模型的表现和数据集本身的特征，基于元学习的想法，通过深度神经网络自动选择一个有效的异常检测模型并调优，用于新的数据集的异常检测。实验结果表明了在开源数据集上AutoAD在异常检测模型自动选择方面具有有效性。