Online false discovery rate control for anomaly detection in time series
时间序列异常检测中的在线错误发现率控制AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确针对具有序列相关的时间序列在线异常检测，分类依据是时间序列方法而非通用多重检验术语。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
时间序列异常检测中的在线错误发现率控制
- 研究问题
- 当异常事件极少且检验统计量存在序列相关时，如何在在线时间序列异常检测中控制错误发现率，同时维持较高检验功效？
- 方法与思路
- 作者将连续到达观测的异常判断视为一系列假设检验，提出面向稀少异常和序列依赖的在线错误发现率控制规则。
- 材料陈述的贡献
- 摘要称新规则针对既有方法在异常稀少与序列相关情形下的不足，并通过理论和实验支持其错误发现率控制与功效表现。
- 阅读关注点
- 应核对序列依赖及检验有效性的条件、在线阈值更新规则，以及错误发现率保证如何对应检测精确率和稀少异常下的功效。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未给出允许的依赖结构及实验数值，不能确认任意序列下均有效。
原文摘要
This article proposes novel rules for false discovery rate control (FDRC) geared towards online anomaly detection in time series. Online FDRC rules allow to control the properties of a sequence of statistical tests. In the context of anomaly detection, the null hypothesis is that an observation is normal and the alternative is that it is anomalous. FDRC rules allow users to target a lower bound on precision in unsupervised settings. The methods proposed in this article overcome short-comings of previous FDRC rules in the context of anomaly detection, in particular ensuring that power remains high even when the alternative is exceedingly rare (typical in anomaly detection) and the test statistics are serially dependent (typical in time series). We show the soundness of these rules in both theory and experiments.