Tiefe Anomalieerkennung auf Zeitreihen

• Antragsteller: Professor Dr. Marius Kloft
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Technische Thermodynamik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 459419731

Zeitreihen sind allgegenwärtig, jedoch ist das Erkennen von Anomalien in Zeitreihen---in Anbetracht der enormen jüngsten Fortschritte in Deep Learning---immer noch in den Kinderschuhen. In diesem Projekt werden wir auf Deep Learning basierende Methoden für die moderne Anomalieerkennung in Zeitreihen entwickeln. Zu diesem Zweck werden wir Ideen aus der Anomalieerkennung auf Bildern auf Zeitreihen übertragen. Diese Ansätze benutzen oft zusätzliche Daten (erzeugt durch Datenaugmentierung oder aus externen Datencorpora). Für Zeitreihen sind solche Daten extrem schwer (oder unmöglich) zu beschaffen. Daher werden wir innovative Stragien erforschen, um diese Methoden für Zeitreihen anzupassen. In unserem Ansatz werden wir Datenaugmentierung sowie zusätzliche Daten pragmatisch lernen. Zusätzlich werden wir Methoden für die Anomalieerkennung auf Zeitreihen von Grund auf für diesen Datentyp entwickeln. Unser Modell wird auf einem Zufallsfeld basieren, das eine Verteilung über die Gradienten der Zeitreihen modelliert. Zu guter Letzt werden wir mithilfe von kontrastierendem Lernen diverses Vorwissen über chemische Prozesse in unser Modell integrieren, um Methoden zur Früherkennung von Anomalien in Messdaten aus chemischen Prozessen zu entwickeln.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 5359: KI-FOR: Deep Learning auf dünnbesetzten, chemischen Prozessdaten
• Kooperationspartnerin: Dr. Maja Rudolph