FG-Lasso异常检测宏F1达0.85，碾压PCA基线0.69！
Low-Rank and Structured Sparse Tensor Decomposition for Anomaly Detection in Multivariate Functional Data
📖 AI 总结
本文针对多变量函数型数据中的异常检测问题，提出了两种无监督稀疏张量分解方法。这类数据常见于多传感器密集采样的制造系统中，其正常波动在样本、传感器和时间三个维度上高度相关，而故障可能表现为孤立偏差或集中于特定传感器时间轨迹的结构性异常。第一种方法ES-CP采用逐元素L1惩罚识别局部异常；第二种方法FG-Lasso结合逐元素与纤维级惩罚，可同时检测局部偏差和集中于时间纤维的异常。两种方法均通过低秩CP分解刻画正常过程行为，并采用交替优化与闭式稀疏分量更新进行估计。两组仿真实验表明，FG-Lasso在几乎所有设定下取得或并列最高宏F1分数。在多通道锻造过程案例中，FG-Lasso和ES-CP的宏F1分数分别为0.85和0.82，显著优于TRPCA和基于PCA的检测器（0.69及以下）。研究说明，将稀疏惩罚与预期故障结构显式匹配，可同时提升高维函数型过程的异常检测与故障定位性能。
🔑 关键词速览
| 多元函数型数据 | 指多个传感器在连续时间上密集采样得到的过程轨迹数据，具有样本、传感器和时间三个模态。 |
| CP分解 | 一种将张量分解为多个秩一张量之和的方法，常用于提取多模态数据中的低秩结构。 |
| 逐元素ℓ1惩罚 | 对张量中每个元素施加L1范数惩罚，促使解稀疏，从而识别孤立的局部异常点。 |
| 纤维稀疏组Lasso | 一种结合逐元素和纤维（沿某一模态的向量）组惩罚的稀疏正则化方法，能同时检测局部偏差和结构化异常。 |
| 宏F1分数 | 一种综合评价指标，先计算每个类别的F1分数再取平均，用于衡量异常检测的整体性能。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅