TadGAN: обнаружение аномалий во временных рядах с использованием генеративных состязательных сетей
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks
2020-12-10
SCID: 54.1/8887qbw5
Discuss with AI
рекуррентные нейронные сети LSTMоценка аномалийпотери циклической согласованностигенеративно-состязательные сетиобнаружение аномалий во временных рядах
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
многомерные и одномерные данные временных рядов
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Непарный перенос изображений с помощью циклически согласованных состязательных сетей2017
Обнаружение аномалий2009
Сравнительная оценка алгоритмов неконтролируемого обнаружения аномалий для многомерных данных2016
Обнаружение аномалий в потоковых данных в реальном времени без учителя2017
Сервис обнаружения аномалий во временных рядах в Microsoft2019