论文标题
在季节性时间序列中用于异常检测和数据推出的强大PCA
Robust PCA for Anomaly Detection and Data Imputation in Seasonal Time Series
论文作者
论文摘要
我们提出了一个健壮的主成分分析（RPCA）框架，以从时间观察中恢复低级别和稀疏矩阵。我们开发了批处理时间算法的在线版本，以处理较大的数据集或流数据。我们从经验上将所提出的方法与不同的RPCA框架进行比较，并在实际情况下显示出其有效性。
We propose a robust principal component analysis (RPCA) framework to recover low-rank and sparse matrices from temporal observations. We develop an online version of the batch temporal algorithm in order to process larger datasets or streaming data. We empirically compare the proposed approaches with different RPCA frameworks and show their effectiveness in practical situations.
