AJUSTE FINO DE CRITÉRIOS DE DETECÇÃO PARA APRIMORAR A IDENTIFICAÇÃO DE ANOMALIAS EM SÉRIES TEMPORAIS

Abstract

Anomaly Detection (AD) is the problem of identifying observations that do not conform to typical ones in a time series. Detection methods implicitly define detection criteria, such as deviation measures, filter thresholds, and candidate anomaly selection strategies. Choosing inappropriate criteria results in inaccurate outputs, generating spurious alerts or missing events. Adjusting these criteria is essential for monitoring systems. To address this challenge, this study explores the fine-tuning of deviation measures, filter thresholds, and candidate selection strategies. Experimental results show that the proper choice of criteria significantly improves AD performance, often with greater impact than changing the detection methods.

A Detecção de Anomalias (DA) é o problema de identificar observações que não correspondem às típicas em uma série temporal. Os métodos de DA definem implicitamente critérios de detecção, tais como medidas de desvio, limiares de filtragem e estratégias de seleção de candidatos a anomalia. A escolha inadequada desses critérios resulta em saídas imprecisas, gerando alertas espúrios ou deixando de identificar eventos. O ajuste desses critérios é essencial para sistemas de monitoramento. Para enfrentar esse desafio, este estudo explora o ajuste fino de medidas de desvio, limiares de filtragem e estratégias de seleção de candidatos. Os resultados experimentais mostram que a escolha adequada dos critérios melhora significativamente o desempenho da DA, muitas vezes com impacto maior que a mudança dos próprios métodos de detecção.