DEGAN：基于生成对抗网络判别器与密度估计的时间序列异常检测
机器学习
2022-10-07 v1 人工智能
计算工程、金融与科学
摘要
发展高效的时间序列异常检测技术对维护服务质量和提供早期告警十分重要。生成神经网络方法是近年来受到越来越多关注的无监督方法之一。本文提出一种无监督的基于生成对抗网络（GAN）的异常检测框架 DEGAN。它仅以正常时间序列数据作为输入，将配置良好的判别器（D）训练为独立的异常预测器。该框架中，时间序列数据通过滑动窗口方法处理。利用数据中的期望正常模式来构建能生成正常数据模式的生成器（G）。正常数据也用于超参数调优和 D 模型选择步骤。验证后的 D 模型被提取并用于评估未见过（测试）的时间序列及识别具有异常特征的模式。对可能为异常的数据点应用核密度估计（KDE）以在测试时间序列上生成概率密度函数。相对概率最高的片段被检测为异常。为评估性能，我们在某 I 类铁路轨道五英里的单变量加速度时间序列上测试，实现该框架以检测由操作员识别的真实异常观测。结果表明，采用 CNN D 架构的框架平均最佳召回率与精确率分别为 80% 和 86%，证明训练良好的独立 D 模型有潜力成为可靠的异常检测器。此外，还研究了 GAN 超参数、GAN 架构、滑动窗口大小、时间序列聚类及有标签/无标签数据模型验证的影响。
引用
@article{arxiv.2210.02449,
title = {DEGAN: Time Series Anomaly Detection using Generative Adversarial Network Discriminators and Density Estimation},
author = {Yueyan Gu and Farrokh Jazizadeh},
journal= {arXiv preprint arXiv:2210.02449},
year = {2022}
}