基于层次隐因子的深度生成模型用于时间序列异常检测
机器学习
2022-02-28 v2
摘要
多元时间序列异常检测近年来已成为一个活跃的研究领域，深度学习模型在基准数据集上优于以往方法。在基于重构的模型中，以往工作多聚焦于变分自编码器与生成对抗网络（GAN）。本工作提出 DGHL，一种用于时间序列异常检测的新型生成模型族，通过 posterior sampling 与交替反向传播最大化观测似然进行训练。一个自顶向下的卷积网络将新颖的层次隐空间映射到时间序列窗口，利用时间动态高效编码信息。尽管依赖 posterior sampling，其计算效率仍高于当前方法，训练时间比基于 RNN 的模型至多短 10 倍。我们的方法在四个流行基准数据集上优于当前最先进（SOTA）模型。最后，DGHL 对实体间可变特征具有鲁棒性，且即使在较大比例缺失值下也准确，这类设定随物联网（IoT）兴起而日益重要。我们通过文献中新颖的遮挡实验展示了 DGHL 的优越鲁棒性。我们的代码见 https://github.com/cchallu/dghl。
引用
@article{arxiv.2202.07586,
title = {Deep Generative model with Hierarchical Latent Factors for Time Series Anomaly Detection},
author = {Cristian Challu and Peihong Jiang and Ying Nian Wu and Laurent Callot},
journal= {arXiv preprint arXiv:2202.07586},
year = {2022}
}
备注
accepted at AISTATS 2022