用于大规模多变量时间序列异常检测的联邦 Koopman-Reservoir 学习
机器学习
2025-03-17 v1 分布式、并行与集群计算
摘要
边缘设备的激增极大地增加了多变量时间序列（MVTS）数据的生成，这对于从医疗保健到智慧城市的应用至关重要。然而，此类数据流容易受到异常的影响，这些异常预示着系统故障或安全事件等关键问题。传统的 MVTS 异常检测方法，包括统计和集中式机器学习方法，在处理大规模分布式环境的异构性、可变性和隐私问题时面临困难。为此，我们引入了 FedKO，这是一种新颖的无监督联邦学习框架，它利用了 Koopman 算子理论的线性预测能力以及储备池计算的动态适应性。这实现了对 MVTS 数据有效的时空处理和隐私保护。FedKO 被表述为一个双层优化问题，利用特定的联邦算法在不同数据集上探索共享的 Reservoir-Koopman 模型。随后，该模型可部署在边缘设备上，以高效检测局部 MVTS 流中的异常。跨多个数据集的实验结果表明，FedKO 在 MVTS 异常检测中优于现有最先进的方法。此外，FedKO 最多可减少 8 倍的通信量和 2 倍的内存使用量，使其非常适合大规模系统。
引用
@article{arxiv.2503.11255,
title = {Federated Koopman-Reservoir Learning for Large-Scale Multivariate Time-Series Anomaly Detection},
author = {Long Tan Le and Tung-Anh Nguyen and Han Shu and Suranga Seneviratne and Choong Seon Hong and Nguyen H. Tran},
journal= {arXiv preprint arXiv:2503.11255},
year = {2025}
}
备注
Accepted at SDM 2025