TadGAN: обнаружение аномалий во временных рядах с использованием генеративных состязательных сетей

TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks
Alfredo Cuesta‐Infante, Kalyan K. Veeramachaneni, Dongyu Liu, Alexander Geiger, Sarah Alnegheimish
2020-12-10

рекуррентные нейронные сети LSTMоценка аномалийпотери циклической согласованностигенеративно-состязательные сетиобнаружение аномалий во временных рядах
Аномалии во временных рядах могут предоставлять информацию, имеющую значение для критических ситуаций в различных областях — от финансов и аэрокосмической отрасли до информационных технологий, безопасности и медицины. Однако обнаружение аномалий во временных рядах особенно сложно из-за расплывчатого определения аномалий, частого отсутствия разметки и чрезвычайно сложных временных корреляций. Современные передовые методы обучения без учителя для обнаружения аномалий имеют проблемы масштабируемости и переносимости и могут характеризоваться высокой долей ложноположительных срабатываний. В этой статье мы предлагаем TadGAN — подход к обнаружению аномалий без учителя, основанный на генеративных состязательных сетях (GAN). Для учета временных корреляций в распределениях временных рядов мы используем рекуррентные нейронные сети с долгой краткосрочной памятью (LSTM) в качестве базовых моделей для генераторов и критиков. TadGAN обучается с использованием функции потерь циклической согласованности, что обеспечивает эффективную реконструкцию данных временных рядов. Кроме того, мы предлагаем несколько новых методов вычисления ошибок реконструкции, а также различные подходы к объединению ошибок реконструкции и выходов критика для вычисления оценок аномальности. Чтобы продемонстрировать эффективность и обобщающую способность нашего подхода, мы тестируем несколько методов оценки аномальности и приводим наиболее подходящий из них. Мы сравниваем наш подход с восемью базовыми методами обнаружения аномалий на 11 наборах данных из нескольких авторитетных источников, включая NASA, Yahoo, Numenta, Amazon и Twitter. Результаты показывают, что наш подход эффективно обнаруживает аномалии и превосходит базовые методы в большинстве случаев (в 6 из 11). Примечательно, что наш метод обеспечивает наивысшее среднее значение F1-меры по всем наборам данных. Исходный код находится в открытом доступе и доступен в качестве инструмента для сравнительного тестирования.
1
На 11 наборах данных из NASA, Yahoo, Numenta, Amazon и Twitter TadGAN превзошёл базовые методы на 6 наборах и показал наивысший средний показатель F1.
2
Функция потерь с обеспечением циклической согласованности позволяет TadGAN эффективно реконструировать данные временных рядов для обнаружения аномалий.
3
TadGAN — это метод неконтролируемого обнаружения аномалий во временных рядах, использующий генераторы и критиков GAN на основе LSTM для моделирования сложных временных зависимостей.
4
Исходный код TadGAN опубликован в открытом доступе как инструмент для бенчмаркинга.
5
Метод предлагает несколько способов расчёта ошибок реконструкции и объединяет их с выходами критика для формирования оценок аномальности.

многомерные и одномерные данные временных рядов

обнаружение аномалий без учителя, включая реконструкцию временных рядов и вычисление оценок аномальности

Publication Details
Publication Date
2020-12-10
Journal
Publisher
ISSN
Cited by
416
Access Type
Author Information
Authors
Alfredo Cuesta‐Infante
Kalyan K. Veeramachaneni
Dongyu Liu
Alexander Geiger
Sarah Alnegheimish
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%