A Deep Learning Diagnostic Observer for Time Series Anomaly Detection
Résumé fourni par la source
Mathematical models for anomaly detection (AD) in dynamic systems have demonstrated high performance, particularly diagnostic observer models.Deep learning (DL) models are also effective, but they often require complex architectures, large training datasets and costly finetuning to achieve generalization across diverse time series (TS) types.This paper introduces a DL AD model based on the algebraic design of a diagnostic observer, marking its first adaptation for TS data.Experiments on large TS benchmark datasets demonstrate its superiority over various recent DL models.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- A Deep Learning Diagnostic Observer for Time Series Anomaly Detection
- Date Crossref
- 01/01/2026
- Éditeur
- Ciaco - i6doc.com
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude et ne compte pas comme une seconde source scientifique indépendante.
Institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.