microprediction/timemachines

解决的问题

提供一种在流式数据中以可控的误报率检测异常的方法。不依赖手动调优的阈值，而是使用校准后的 p 值，确保误报率大致等于预定义的显著性水平（alpha）。

工作原理

该项目采用“主体与头部”架构。由 skaters 库提供的“主体”充当校准的在线预测器，将原始数据流转换为标准化的“意外”流（z 分数）。这创建了一个稳定的“零模型”，其中数据表现得如同独立同分布的正态噪声。

“头部”则处理这些意外流以做出决策。例如，wald 机器使用沃尔德统计量输出校准后的 p 值，使用户可以根据特定的误报概率触发警报，而非依赖任意的阈值。

适用人群

需要在实时流式数据中实现可靠异常检测，但又不想承担手动调优阈值或高误报率风险的数据科学家和工程师。

特点

• 校准的错误率：使用 p 值控制误报率（例如，设置阈值为 1e-4 时，误报率约为 0.01%）。
• 单次遍历处理：专为流式数据设计，具有恒定内存和严格因果操作，意味着从不查看未来数据。
• 预测器优先方法：通过首先将原始数据转换为意外流，可提升其他现有异常检测器的性能。
• 可组合架构：将预测逻辑（主体）与决策逻辑（头部）分离，便于组件的轻松替换。