摘要：多变量时间序列异常检测是指从相互关联的多个单变量时间序列中识别不正常的事件或行为的过程。现有的多变量时间序列异常检测方法在应用到新领域时,由于样本分布差异导致检测性能下降。而重新训练模型需要大量新领域的标注数据,且不能有效利用源领域的领域知识。针对这一问题,提出了一种基于深度迁移学习的多变量时间序列异常检测框架,该框架设计了编码器-解码器结构来提取多变量时间序列的特征,同时通过最小化嵌入层向量的距离来减小领域分布差异。基于该框架,提出一种基于ConvLSTM和最大均值差异(MMD)的多变量时间序列异常检测迁移学习方法,并利用解码后的重构误差检测多变量时间序列中的异常。最后,在服务器和空气质量两个多变量时间序列数据集上进行了实验。实验结果显示,目标域训练样本较少时,所提方法在迁移后的检测F1值比迁移前分别提升1.8%和4.2%。对比直接在目标域少量样本上训练模型,F1值提升了约9%。实验表明,所提迁移学习框架和方法对于有效提升多变量时间序列异常检测的性能。

摘要：U-GUBE光明位于嘉定新城核心,众多青创公司聚集于此,希望能在商业丛林中开拓自己的天地。设计师针对勇敢创业家思考共生型的办公,以年轻冒险家的精神考虑,打造出一处兼具工作与生活,充满乐观、自由、灵活的场所。设计师认为:'那些愿意挑战可能,止不住创业脚步的人如同冒险家,总会经历一片未知的森林,这场穿越能增加生命的丰富性。'