The problem of finding unusual (abn

The problem of finding unusual (abnormal, novel, deviant, anomalous) time series has recently attracted much attention. Areas that commonly explore such unusual time series
are, for example, fault diagnostics, intrusion detection, and data cleansing. There, however, are other more uncommon yet interesting applications too. For example, a recent
paper suggests that finding unusual time series in financial datasets could be used to allow
diversification of an investment portfolio, which in turn is essential for reducing portfolio
volatility [100].
20
Despite its importance, the detection of unusual time series remains relatively unstudied when data reside on external storage. Most existing approaches demonstrate efficient
detection of anomalous examples, assuming that the time series at hand can fit in main
memory. However, for many applications this is not be the case. For example, multiterabyte time series datasets are the norm in astronomy [66], while the daily volume of
web queries logged by search engines is even larger. Confronted with data of such scale
current algorithms resort to numerous scans of the external media and are thus intractable.
In this chapter, we present an effective and efficient disk aware algorithm for mining unusual time series. The algorithm is exact and requires only two linear scans of the disk with
a tiny buffer of main memory. Furthermore, it is simple to implement and does not require
tuning of multiple unintuitive parameters. The introduced method is used to provide further evidence of the utility of one particular definition of unusual time series, namely, the
time series discords. The effectiveness of the discord definition is demonstrated for areas
as diverse as astronomy, web query mining, video surveillance, etc. Finally, we show the
efficiency of the proposed algorithm on datasets which are many orders of magnitude larger
than anything else attempted in the literature. In particular we show that our algorithm can
tackle multi-gigabyte datasets containing tens of millions of time series in just a few hours.
21

Kết quả (Việt) 1:

Vấn đề của việc tìm kiếm chuỗi không bình thường (bất thường, tiểu thuyết, tà, dị thường) thời gian gần đây đã thu hút nhiều sự chú ý. Khu vực thường khám phá như vậy thời gian bất thường series, ví dụ, chẩn đoán lỗi, phát hiện xâm nhập và dữ liệu làm sạch. Có, Tuy nhiên, những ứng dụng phổ biến hơn nhưng vẫn thú vị khác quá. Ví dụ, một tạigiấy cho thấy rằng việc tìm kiếm chuỗi thời gian bất thường trong datasets tài chính có thể được sử dụng để cho phépđa dạng hóa của một danh mục đầu tư, mà lần lượt là điều cần thiết để giảm thiểu các danh mục đầu tưbiến động [100].20Mặc dù tầm quan trọng của nó, phát hiện của chuỗi thời gian bất thường vẫn còn tương đối unstudied khi dữ liệu nằm trên lưu trữ bên ngoài. Hầu hết các phương pháp tiếp cận hiện tại chứng minh hiệu quảCác phát hiện của bất thường ví dụ, giả sử rằng dòng thời gian ở bàn tay có thể phù hợp trong chínhbộ nhớ. Tuy nhiên, cho nhiều ứng dụng này không là các trường hợp. Ví dụ, multiterabyte thời gian loạt datasets là chuẩn mực trong thiên văn học [66], trong khi khối lượng hàng ngàytruy vấn web đăng nhập công cụ tìm kiếm là lớn hơn. Phải đối mặt với các dữ liệu của quy mô như vậythuật toán hiện tại khu du lịch đến nhiều quét các phương tiện truyền thông bên ngoài và được như vậy intractable.Trong chương này, chúng tôi trình bày một thuật toán nhận thức hiệu quả và hiệu quả đĩa để khai thác bất thường thời gian series. Các thuật toán là chính xác và đòi hỏi phải chỉ có hai quét đĩa với tuyến tínhmột bộ đệm nhỏ của bộ nhớ chính. Hơn nữa, nó là đơn giản để thực hiện và không yêu cầuđiều chỉnh các thông số nhiều unintuitive. Giới thiệu phương pháp được sử dụng để cung cấp thêm bằng chứng về các tiện ích của một định nghĩa cụ thể của chuỗi thời gian bất thường, cụ thể là, cácChuỗi thời gian discords. Hiệu quả của định nghĩa bất hòa được thể hiện cho các khu vựcđa dạng như thiên văn học, khai thác mỏ truy vấn web, video giám sát, vv. Cuối cùng, chúng tôi hiển thị cáchiệu quả của các thuật toán được đề xuất trên datasets có nhiều đơn đặt hàng của cường độ lớn hơnhơn bất cứ điều gì khác đã cố gắng trong văn học. Đặc biệt chúng tôi cho rằng thuật toán của chúng tôi có thểgiải quyết nhiều gigabyte datasets có chứa hàng chục triệu chuỗi thời gian trong chỉ là một vài giờ.21

Kết quả (Việt) 2:

Các vấn đề của việc tìm kiếm bất thường (bất thường, tiểu thuyết, lệch lạc, bất thường) chuỗi thời gian gần đây đã thu hút nhiều sự chú ý. Các khu vực thường được khám phá như chuỗi thời gian bất thường
, ví dụ, chẩn đoán lỗi, phát hiện xâm nhập, và làm sạch dữ liệu. Tuy nhiên, có những ứng dụng thú vị nhưng không phổ biến nhiều khác quá. Ví dụ, gần đây một
bài báo cho thấy rằng việc tìm kiếm chuỗi thời gian bất thường trong bộ dữ liệu tài chính có thể được sử dụng để cho phép
đa dạng hóa danh mục đầu tư, do đó rất cần thiết cho việc giảm danh mục đầu tư
biến động [100].
20
Mặc dù tầm quan trọng của nó, là phát hiện của chuỗi thời gian bất thường vẫn còn tương đối không được tra cứu khi dữ liệu nằm trên lưu trữ ngoài. Hầu hết các phương pháp tiếp cận hiện chứng minh hiệu quả
phát hiện các bất thường ví dụ, giả sử rằng chuỗi thời gian ở bàn tay có thể phù hợp trong chính
bộ nhớ. Tuy nhiên, đối với nhiều ứng dụng này không phải là trường hợp. Ví dụ, multiterabyte bộ dữ liệu chuỗi thời gian là các chỉ tiêu trong thiên văn học [66], trong khi khối lượng hàng ngày của
các truy vấn web đăng nhập của công cụ tìm kiếm thậm chí còn lớn hơn. Đối mặt với các dữ liệu có quy mô như
các thuật toán hiện tại khu du lịch đến nhiều quét của các phương tiện truyền thông bên ngoài và do đó khó chữa.
Trong chương này, chúng tôi trình bày một đĩa thuật toán nhận thức hiệu quả và hiệu quả đối với khai thác khoáng sản theo chuỗi thời gian bất thường. Thuật toán là chính xác và chỉ đòi hỏi hai lần quét tuyến tính của đĩa với
một bộ đệm nhỏ của bộ nhớ chính. Hơn nữa, nó là đơn giản để thực hiện và không đòi hỏi phải
điều chỉnh nhiều thông số unintuitive. Các phương pháp giới thiệu được sử dụng để cung cấp thêm bằng chứng về các tiện ích của một định nghĩa cụ thể của chuỗi thời gian bất thường, cụ thể là, các
loạt mâu thuẫn thời gian. Hiệu quả của các định nghĩa bất hòa được chứng minh cho các khu vực
khác nhau như thiên văn học, khai thác truy vấn web, giám sát video, vv Cuối cùng, chúng tôi cho thấy
hiệu quả của thuật toán đề xuất trên tập dữ liệu mà rất nhiều đơn đặt hàng của các cường độ lớn hơn
so với bất cứ điều gì khác cố gắng trong văn học . Đặc biệt chúng tôi cho thấy rằng thuật toán của chúng tôi có thể
giải quyết các bộ dữ liệu đa gigabyte có chứa hàng chục triệu của chuỗi thời gian chỉ trong một vài giờ.
21