基于多模态自编码器与稀疏优化的异常检测与解释
机器学习
2018-12-19 v1 机器学习
摘要
自动化异常检测对于管理信息通信技术(ICT)系统以最小运维负担维持可靠服务至关重要。为将不断变化且持续涌现的异常检测为正常状态的偏差,学习从 ICT 系统监测到的跨域数据间固有的正常关系必不可少。因此,基于深度学习的自编码器(AE)异常检测有望实现此类复杂学习;然而其解释性仍存在问题。由于 AE 中并未直接指示对检测到异常有贡献的输入数据维度,它们不适用于由大量设备组成的大型 ICT 系统中的异常定位。我们提出一种利用稀疏优化来估计 AE 检测到异常的贡献维度的算法。我们还提出一种多模态自编码器(MAE),用于有效学习跨域数据间的关系,其可引入非线性及各数据类型间可学习性的差异。我们在多个数据集(包括真实测量数据)上与传统算法对比评估了我们的算法,并确认了我们的估计算法在指定异常数据贡献维度方面的优越性,以及我们的 MAE 在跨域数据异常检测中的优越性。
引用
@article{arxiv.1812.07136,
title = {Anomaly Detection and Interpretation using Multimodal Autoencoder and Sparse Optimization},
author = {Yasuhiro Ikeda and Keisuke Ishibashi and Yuusuke Nakano and Keishiro Watanabe and Ryoichi Kawahara},
journal= {arXiv preprint arXiv:1812.07136},
year = {2018}
}
备注
19 pages, 12 figures