Promotie
Unsupervised Representation Learning for Time Series Anomaly Detection and Beyond
- L. Ferreira Correia
- Datum
- dinsdag 8 september 2026
- Tijd
- Bezoekadres
-
Academiegebouw
Rapenburg 73
2311 GJ Leiden
Promotor(en)
Samenvatting
Dit proefschrift onderzoekt de haalbaarheid van datagedreven, werkelijk ongesuperviseerde representatieleermethoden voor anomaliedetectie in tijdreeksen, relevant omdat labels in de praktijk vaak ontbreken. Vooruitgang wordt belemmerd door een gebrek aan betrouwbare statistieken, hoogwaardige publieke datasets en benchmarkingonderzoek. Als bijdrage introduceert het proefschrift een nieuwe en complexe tijdreeksdataset, gegenereerd met geavanceerde simulatietools. De dataset is synthetisch maar geïnspireerd op een realistisch systeem en biedt gedetailleerde controle over anomaliegeneratie.
Verder bekritiseert het werk de losse definitie van ongesuperviseerd, aangezien veel methoden impliciet gelabelde data gebruiken, meestal voor de drempelwaarde. Werkelijk ongesuperviseerde methoden falen op een trainingsset die met anomalieën gecontamineerd is, met een beste F1 van 0,06, terwijl een ideale drempel een F1 tot 0,58 oplevert. Bij een trainingsset zonder anomalieën is de ongesuperviseerde drempel veel beter gekalibreerd, tot F1 van 0,67 tegenover 0,86 met de ideale drempel. Modellering alleen bepaalt dus niet de prestaties, want een slecht gekozen drempel maskeert het potentieel. Op automotive aandrijflijndata generaliseren modellen bovendien beter wanneer de trainingsset dynamische tijdreeksen of hoge voertuigsnelheden bevat.
Daarnaast stelt het werk active learning voor. Een raamwerk selecteert maximaal diverse sequenties die een domeinexpert labelt, waardoor een kleine gelabelde set ontstaat voor drempeloptimalisatie. Deze strategie overtreft ongesuperviseerde drempels vrijwel overal, vooral bij lage querybudgetten, en benadert de best mogelijke drempel. Zelfs met bijna een derde foutieve labels blijft zij beter presteren, wat robuustheid tegen menselijke fouten aantoont. Dezelfde procedure is ook toepasbaar op predictief onderhoud. Toekomstig onderzoek moet zich richten op benchmarking, robuustheid tegen labelfouten en betere ongesuperviseerde drempelwaarden.
Proefschriften
Ongeveer een week na de promotie zijn proefschriften van Leidse promovendi digitaal beschikbaar via het Leids Repositorium. De proefschriften op deze site zijn vrij toegankelijk. Alleen in sommige gevallen rust er een tijdelijk embargo op een proefschrift en wordt het proefschrift pas later volledig beschikbaar gesteld.
Persvragen (alleen journalisten)
071 - 527 1521
nieuws@leidenuniv.nl
Algemene informatie
Bureau Pedel
pedel@bb.leidenuniv.nl
071 527 7211