时间序列-异常检测（Anomaly Detection）（四）：深度学习方法

一、概述

基于深度学习的时间序列异常检测算法，主要可以分为以下这么几种：

1. 针对正常数据进行训练建模，然后通过高重构误差来识别异常点，即生成式（Generative）的算法，往往是无监督的，如自编码器（Auto Encoder）类 或者回声状态网络（Echo State Networks）。
2. 对数据的概率分布进行建模，然后根据样本点与极低概率的关联性来识别异常点，如DAGMM
3. 通过标注数据，告诉模型正常数据点长什么样，异常数据点长什么样，然后通过有监督算法训练分类模型，也称判别式（Discriminative）算法。
   在判别式里面，包括时间序列的特征工程和各种有监督算法，还有端到端的深度学习方法。在端到端的深度学习方法里面，包括前馈神经网络，卷积神经网络，或者其余混合模型等常见算法。借用张图大致做一个总结：
   

二、几种深度学习方法实例

1、基于AutoEncoder的异常检测算法（无监督）

2、Deep SVDD的异常检测方法（无监督）

来自论文Deep One-Class Classification

一句话概括它的思想：使用一个神经网络