使用极值理论解释异常检测结果( 二 )


在下面的图中 , 我们可以显示模型化的未来回报值 , 以及对我们的验证集所观察到的最大观察值 。 下表更正式地总结了我们的发现 。 例如 , 第一行说在接下来的30天内 , 我们可以预期(相对较高的概率)观测值超过模型绝对值的21个绝对点 。 以同样的方式 , 最后一行说 , 我们可以期望(相对较低的可能性)在接下来的3000天中观察到的超出我们模型预测值的53个绝对点 。 使用自举统计信息来计算置信区间 。

使用极值理论解释异常检测结果
文章图片
t+1时残差的返回值图 。 红色表示在每个块中检测到的一系列最大值点 。 以蓝色表示的预期回报值以及相对的自举间隔

使用极值理论解释异常检测结果
文章图片
t+1时残差的返回值表
所解释的过程适用于具有一步一步预测的残差 , 但可以使用其他预测范围来计算该过程 。

使用极值理论解释异常检测结果
文章图片
在t+7处的残差的返回值图 。 红色表示在每个块中检测到的一系列最大值点 。 以蓝色表示的预期回报值以及相对的自举间隔

使用极值理论解释异常检测结果
文章图片
t+7时残差的返回值表
概要
在这篇文章中 , 我们提出了一个时间序列预测任务 。 首先 , 我们为多步提前预测构建了Seq2Seq模型 。 其次 , 我们试图结合来自极值理论的一些技术对模型进行进一步的解释 。 我们利用这种组合来解释可能出现在模型无法识别的正常数据流中的异常