Надёжное обнаружение аномалий в многомерных временных рядах с использованием стохастической рекуррентной нейронной сети
Robust Anomaly Detection for Multivariate Time Series through Stochastic Recurrent Neural Network
2019-07-25
SCID: 54.1/ab6fe6b6
Discuss with AI
OmniAnomalyобнаружение аномалий в многомерных временных рядахпланарный нормализующий потоквероятности реконструкциистохастическая рекуррентная нейронная сеть
Figures from the paper
Abstract (AI)
Промышленные устройства (то есть объекты), такие как серверные машины, космические аппараты, двигатели и другие устройства, обычно контролируются с помощью многомерных временных рядов, а обнаружение аномалий в них имеет критическое значение для управления качеством обслуживания объекта. Однако из-за сложных временных зависимостей и стохастичности многомерных временных рядов обнаружение аномалий остаётся серьёзной проблемой. В данной работе предлагается OmniAnomaly — стохастическая рекуррентная нейронная сеть для обнаружения аномалий в многомерных временных рядах, обеспечивающая устойчивую работу с различными устройствами. Основная идея заключается в выявлении нормальных закономерностей многомерных временных рядов посредством обучения их устойчивых представлений с использованием таких ключевых методов, как стохастические связи переменных и планарные нормализующие потоки, восстановлении входных данных на основе этих представлений и использовании вероятностей реконструкции для выявления аномалий. Кроме того, для обнаруженной аномалии объекта OmniAnomaly может предоставлять интерпретации на основе вероятностей реконструкции составляющих его одномерных временных рядов. Эксперименты по оценке проведены на двух общедоступных наборах данных из аэрокосмической отрасли и на новом наборе данных о серверных машинах, собранном и опубликованном авторами совместно с интернет-компанией. На трёх наборах данных из реального мира OmniAnomaly достигает общего значения F1-меры 0,86, значительно превосходя лучший базовый метод на 0,09. Точность интерпретации OmniAnomaly достигает 0,89.
Key Findings
1
На двух общедоступных аэрокосмических наборах данных и новом опубликованном наборе данных серверных машин метод достиг общего F1-значения 0,86.
2
OmniAnomaly представляет собой стохастическую рекуррентную нейронную сеть для robust-обнаружения аномалий в многомерных временных рядах различных устройств.
3
OmniAnomaly превзошёл лучший базовый метод на 0,09 и достиг точности интерпретации до 0,89.
4
OmniAnomaly интерпретирует аномалии на уровне сущности, определяя аномальные составляющие одномерных временных рядов по их вероятностям реконструкции.
5
Метод изучает устойчивые представления нормальных паттернов с помощью стохастических связей переменных и планарного нормализующего потока, а затем выявляет аномалии по вероятностям реконструкции.
Research Object
многомерные временные ряды от контролируемых промышленных устройств, включая серверные машины, космические аппараты и двигатели
Research Subject
устойчивое обнаружение и интерпретация аномалий на основе стохастических временных представлений и вероятностей реконструкции
Publication Details
Publication Date
2019-07-25
Journal
Publisher
ISSN
Cited by
1980
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai2
Работы, цитирующие эту статью15
Обзор выявления выбросов/аномалий во временных рядах2021
Обнаружение аномалий во временных рядах2022
Глубокое обучение для обнаружения аномалий во временных рядах: обзор2024
Обнаружение аномалий в многомерных временных рядах с помощью графовой сети внимания2020
Практический подход к обнаружению и локализации аномалий в асинхронных многомерных временных рядах2021
Глубокое обучение для обнаружения аномалий во временных рядах данных: обзор, анализ и рекомендации2021
Обнаружение и интерпретация аномалий в многомерных временных рядах с использованием иерархического межметрического и временного вложения2021
Обучение структур графов с помощью Transformer для обнаружения аномалий в многомерных временных рядах в Интернете вещей2021
Обзор графовых нейронных сетей для временных рядов: прогнозирование, классификация, импутация и обнаружение аномалий2024
DCdetector: контрастивное обучение представлений временных рядов с двойным вниманием для обнаружения аномалий2023
Применение глубокого обучения в управлении и техническом обслуживании объектов в сфере отопления, вентиляции и кондиционирования воздуха2022
Обзор глубокого обнаружения аномалий в многомерных временных рядах: таксономия, приложения и направления исследований2025
Обнаружение аномалий в динамических графах: всесторонний обзор2024
Anomaly Transformer: обнаружение аномалий во временных рядах с использованием расхождения ассоциаций2024
Сравнительная глубокая обучающая рамка для обнаружения аномалий в многомерных временных рядах телеметрии спутника2026