零已知标签下的多元时间序列异常检测
机器学习
2023-06-21 v3 人工智能
摘要
多元时间序列异常检测在半监督设定下已被广泛研究，该设定需要一个包含所有正常实例的训练数据集。然而，准备这样的数据集非常费力，因为每个数据实例都必须被完全确保为正常。因此，期望探索基于无任何标签知识的数据集的多元时间序列异常检测方法。本文中，我们提出 MTGFlow，一种通过动态图和实体感知归一化流（entity-aware normalizing flow）进行多元时间序列异常检测的无监督异常检测方法，仅依赖于一个被广泛接受的假设：异常实例比正常实例表现出更稀疏的密度。然而，实体间复杂的相互依赖关系以及每个实体多样化的固有特征给密度估计带来了显著挑战，更不用说基于估计的概率分布检测异常。为解决这些问题，我们提出通过图结构学习模型学习实体间相互且动态的关系，这有助于对多元时间序列的准确分布建模。此外，考虑到各个实体的不同特征，开发了实体感知归一化流将每个实体描述为一个参数化正态分布，从而产生细粒度的密度估计。结合这两种策略，MTGFlow 实现了优越的异常检测性能。在五个公开数据集上与七种基线方法进行了实验，MTGFlow 以最高 5.0 AUROC% 优于 SOTA 方法。代码将发布于 https://github.com/zqhang/Detecting-Multivariate-Time-Series-Anomalies-with-Zero-Known-Label。
引用
@article{arxiv.2208.02108,
title = {Detecting Multivariate Time Series Anomalies with Zero Known Label},
author = {Qihang Zhou and Jiming Chen and Haoyu Liu and Shibo He and Wenchao Meng},
journal= {arXiv preprint arXiv:2208.02108},
year = {2023}
}