面向多元时间序列数据的深度联邦异常检测
机器学习
2022-05-10 v1
摘要
尽管针对多元时间序列数据已开发了许多异常检测方法，但在联邦设定下的研究努力有限，其中多元时间序列数据异构地分布于不同边缘设备且禁止数据共享。本文研究联邦无监督异常检测问题，提出一种基于样例的深度神经网络（Fed-ExDNN）以在不同边缘设备上进行多元时间序列数据的异常检测。具体而言，我们首先设计一种基于样例的深度神经网络（ExDNN），基于其与样例模块的兼容性来学习局部时间序列表示，该样例模块由学习得到的隐藏参数组成，用于捕捉每个边缘设备上多种正常模式。接下来，在中心服务器上采用约束聚类机制（FedCC）对不同局部样例模块的参数进行对齐与聚合，以获得统一的全局样例模块。最后，将全局样例模块与共享特征编码器一同部署到每个边缘设备，并通过检验测试数据与该样例模块的兼容性来进行异常检测。Fed-ExDNN 利用 ExDNN 捕捉局部正常时间序列模式，并通过 FedCC 聚合这些模式，从而能够同时处理分布于不同边缘设备上的异构数据。在六个公开数据集上的充分实证研究表明，ExDNN 与 Fed-ExDNN 优于最先进的异常检测算法与联邦学习技术。
引用
@article{arxiv.2205.04041,
title = {Deep Federated Anomaly Detection for Multivariate Time Series Data},
author = {Wei Zhu and Dongjin Song and Yuncong Chen and Wei Cheng and Bo Zong and Takehiko Mizoguchi and Cristian Lumezanu and Haifeng Chen and Jiebo Luo},
journal= {arXiv preprint arXiv:2205.04041},
year = {2022}
}