G-CMP：用于基于传感器的远程健康监测中无监督异常检测的图增强上下文矩阵轮廓
机器学习
2022-11-30 v1 人工智能
摘要
基于传感器的远程健康监测在工业、城市和医疗环境中用于监测设备和人体健康的持续运行。一个重要目标是在检测到异常事件或不良健康状况时进行早期干预。在真实环境中，这些异常检测方法面临噪声、标签稀缺、高维性、可解释性以及运行环境高度可变等挑战。上下文矩阵轮廓（Contextual Matrix Profile，CMP）是矩阵轮廓（Matrix Profile，MP）的一种可配置二维版本，它利用时间序列所有子序列的距离矩阵来发现模式和异常。研究表明，CMP 在不同领域的含噪真实世界数据中，增强了 MP 及其他 SOTA 方法检测、可视化和解释真实异常的有效性。它擅长放大时间尺度并在可配置的时间尺度上识别时间模式。然而，CMP 未处理跨传感器信息，且无法扩展到高维数据。我们提出了一种新颖的、自监督的基于图的时间异常检测方法，该方法作用于由 CMP 距离矩阵生成的上下文图。学习到的图嵌入编码了时间上下文的异常性质。此外，我们针对同一任务评估了其他图离群点算法。鉴于我们的流水线具有模块化特性，图构建、图嵌入生成和模式识别逻辑均可根据具体模式检测应用进行选择。我们在两个具有不同异常的真实世界医疗数据集上验证了基于图的异常检测的有效性，并将其与 CMP 及 3 种最先进的方法进行了比较。我们提出的方法在召回率、告警率和泛化性方面表现更优。
引用
@article{arxiv.2211.16122,
title = {G-CMP: Graph-enhanced Contextual Matrix Profile for unsupervised anomaly detection in sensor-based remote health monitoring},
author = {Nivedita Bijlani and Oscar Mendez Maldonado and Samaneh Kouchaki},
journal= {arXiv preprint arXiv:2211.16122},
year = {2022}
}
备注
12 pages, 7 figures, Accepted to British Machine Vision Conference 2022