Обнаружение аномалий в многомерных временных рядах с помощью графовой сети внимания

Обнаружение аномалий в многомерных временных рядах имеет большое значение как для исследований в области интеллектуального анализа данных, так и для промышленных приложений. Современные подходы достигли значительного прогресса в этой области, однако ряд ограничений сохраняется. Одно из основных ограничений заключается в том, что они не учитывают явно взаимосвязи между различными временными рядами, что приводит к неизбежным ложным срабатываниям. В данной работе предлагается новая самосупервизируемая модель обнаружения аномалий в многомерных временных рядах, предназначенная для устранения этой проблемы. В рамках модели каждый одномерный временной ряд рассматривается как отдельный признак, а два слоя графового внимания работают параллельно для изучения сложных зависимостей многомерных временных рядов как во временном измерении, так и в измерении признаков. Кроме того, предложенный подход совместно оптимизирует модель на основе прогнозирования и модель на основе реконструкции, формируя более информативные представления временных рядов за счёт сочетания прогнозирования значений в отдельных временных метках и реконструкции всего временного ряда. Эффективность модели продемонстрирована в ходе обширных экспериментов. Предложенный метод превосходит другие современные модели на трёх наборах данных из реального мира. Дополнительный анализ показывает, что метод обладает хорошей интерпретируемостью и может использоваться для диагностики аномалий.