我训练了一个自动编码器来识别“正”时间序列（该网络是一个简单的完全连接的网络，没有递归层）。问题是，从我的顾问的意见出发，我应该尝试使用潜在空间上的一些统计信息来检测异常（例如，良好数据和离群数据之间的潜在空间直方图之间的差异），但是当我预测离群值的时间序列时，我会得到相同的结果内部表示以及良好的数据。我认为这是由于我的网络只能复制正常数据。 你有什么提示吗？ 谢谢
答案 0 :(得分：0)
我想您正在尝试通过使用网络的重构错误来检测异常，即在某些正常时间序列上进行训练，然后在包含异常值的时间序列上进行检测。如果我进一步猜对了，您的顾问建议内部表示会告诉您有关异常性质的更多信息，即输入数据的哪些特征最异常。
首先要注意的是，您的网络仅使用合法数据构建的中间功能在检测模式下不会更改，因此在处理新的网络时，内部表示（中间层每个神经元的权重）不会更改此模式下的数据点。
如果您对中间特征代表哪些原始特征有一个很好的了解，那么您将只能推理出异常值的根本原因（哪个维度对重建误差的影响最大）。如果您具有一个完全连接的自动编码器和几个隐藏层，其中每个特征对每个神经元的贡献与其他特征的交织越来越多，这可能会很难。一种技巧是为每组功能构建一个自动编码器，并将它们用作异常预测的整体。这样，已知合奏中的每个自动编码器都负责一组功能，并且可以更轻松地知道每组功能如何导致异常。请参见示例here。