Masterarbeit

Kurzbeschreibung des Themas:

In dieser Arbeit soll eine mögliche Methode zur Anomalie-Erkennung in Zeitreihen untersucht werden. Dabei wird auf Teilsequenzen jeweils ein Gauß-Prozess Modell angewendet und die Likelihood der Daten in diesem Modell als Encoding für die Sequenz verwendet. Auf den daraus resultierenden Encodings können dann klassische Anomalie-Erkennungs-Methoden angewendet werden. Dieses Verfahren kann während der Bearbeitungszeit noch angepasst werden, basierend auf vorläufigen Ergebnissen. Idealerweise enthält die Arbeit die folgenden Punkte:

1. Eine Einführung aller notwendigen Grundlagen (Gauß-Prozesse, Kernel, Embeddings, Anomalie-Erkennung)
2. Eine algorithmische Beschreibung der Methode
3. Experimentelle Vergleiche der Methode mit State-of-the-Art Anomalie-Erkennung auf verschiedenen Datensätzen

Zusätzliche Hinweise/Literatur:

• Hüwel, Jan David, et al. "Dynamically self-adjusting Gaussian processes for data stream modelling." German Conference on Artificial Intelligence (Künstliche Intelligenz). Cham: Springer International Publishing, 2022
• Duvenaud, David, et al. "Structure discovery in nonparametric regression through compositional kernel search." International Conference on Machine Learning. PMLR, 2013.
• Cook, Andrew A., Göksel Mısırlı, and Zhong Fan. "Anomaly detection for IoT time-series data: A survey." IEEE Internet of Things Journal 7.7 (2019): 6481-6494.

Bewerbungsverfahren:

• Bitte bewerben Sie sich über unser Kontaktformular mit Angabe des o.g. Themas.