Una opción es usar las cadenas de Markov, que le permiten adivinar la probabilidad de una secuencia específica y luego puede suponer que las secuencias raras son anomalías. por ejemplo, vea [Arquitectura] Implementación de cadenas de Markov en CEP y detección de fraude en tiempo real en Apache Big Data Con.
Otra opción es usar el método de pronóstico y comparar el valor real y el pronosticado, y asumir que cualquier valor real que esté demasiado lejos del valor pronosticado es una anomalía.
Otra opción es usar el agrupamiento y buscar puntos que estén demasiado lejos de los grupos conocidos.
- Cómo mostrar que una convolución transpuesta es equivalente a un paso de respaldo de la capa de convolución, con los mismos pesos que en una propagación hacia adelante
- ¿Por qué la regresión logística se considera un modelo lineal?
- ¿Cuál es la diferencia entre análisis de datos, análisis de datos, minería de datos, ciencia de datos, aprendizaje automático y Big Data?
- ¿Hay algún otro enfoque para resolver el sobreajuste además de la deserción y la normalización por lotes en el aprendizaje profundo?
- ¿Qué se entiende por el término "ejemplos adversos" en el aprendizaje automático?
También vea los siguientes dos que usan RNN
- Redes de memoria a corto y largo plazo para la detección de anomalías en series temporales (página en ucl.ac.be)
- ¿Cómo uso las redes LSTM para la detección de anomalías de series temporales?
Puede encontrar una discusión detallada en Introducción a la detección de anomalías: conceptos y técnicas.