Detekcija anomalija u vremenskim serijama

diplomski rad

• Naslov (engleski): Anomaly Detection in Time Series
• Autor: Nino Poletan
• Mentor: Vladimir Čeperić (mentor)
• Član povjerenstva: Vladimir Čeperić (predsjednik povjerenstva)
• Član povjerenstva: Stjepan Groš (član povjerenstva)
• Član povjerenstva: Tomislav Marković (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-09-20, Hrvatska

Sažetak

Ovaj rad istražuje detekciju anomalija u vremenskim serijama koristeći različite algoritme i modele, s posebnim naglaskom na velike jezične modele (LLM) poput GPT-4o i GPT-4o-mini. Detekcija anomalija je ključna u raznim industrijama jer omogućuje prepoznavanje neočekivanih obrazaca koji mogu ukazivati na pogreške, prijevare ili sigurnosne prijetnje. Rad analizira tradicionalne metode detekcije anomalija kao što su Isolation Forest, LOF, AutoEncoder, i VAE, te nove pristupe koji koriste LLM-ove. Rezultati pokazuju da iako LLM-ovi imaju potencijal za detekciju anomalija, njihova učinkovitost je ograničena bez specifične prilagodbe i treninga na relevantnim skupovima podataka. Korištenje zero-shot pristupa za detekciju anomalija pokazalo se najmanje učinkovitim, dok su druge metode poput biblioteke LLMTime pokazale potencijal za daljnji razvoj.

Sažetak (engleski)

This thesis explores anomaly detection in time series data using various algorithms and models, with a specific focus on large language models (LLMs) such as GPT-4. Anomaly detection is crucial in various industries as it allows for the identification of unexpected patterns that may indicate errors, fraud, or security threats. The study analyzes traditional anomaly detection methods such as Isolation Forest, LOF, AutoEncoder, and VAE, as well as new approaches utilizing LLMs. The results indicate that while LLMs have potential for anomaly detection, their effectiveness is limited without specific tuning and training on relevant datasets. The use of zero-shot approaches for anomaly detection proved to be the least effective, whereas other methods, like the LLMTime library, demonstrated potential for further development.

• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:964023
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2024-10-12 21:53:23