Análisis de métodos deep learning para detección de anomalías

Abstract

Este Trabajo de Fin de Grado propone un nuevo método basado en aprendizaje profundo para la detección de anomalías en series temporales. Consiste en un modelo híbrido que utiliza un encoder convolucional y unidades de memoria Legendre (LMU). Este modelo se prueba y optimiza utilizando un conjunto de datos específico y se compara con otros algoritmos de detección de anomalías. Los resultados obtenidos se presentan y analizan, demostrando la eficacia del enfoque propuesto y subrayando la importancia de una optimización adecuada y personalizada.

This Final Degree Project proposes a new method based on deep learning for the detection of anomalies in time series. It consists of a hybrid model using a convolutional encoder and Legendre memory units (LMU). This model is tested and optimized using a specific dataset and compared with other anomaly detection algorithms. The obtained results are presented and analyzed, demonstrating the effectiveness of the proposed approach and emphasizing the importance of proper and customized optimization.