图混合专家与记忆增强路由器用于多变量时间序列异常检测
机器学习
2024-12-31 v2 人工智能
摘要
多变量时间序列（MTS）异常检测是一项关键任务，旨在识别由多个相互关联的时间序列组成的数据中出现的异常模式或事件。为了更好地建模实体之间复杂的相互依赖关系以及每个实体的各种内在特征，已广泛采用基于图神经网络（GNN）的方法。在GNN的每一层中，节点特征会聚合来自其相邻节点的信息，以更新其自身信息。通过这种方式，从浅层到深层的GNN，原始的单个节点特征会逐渐被弱化，而更结构化的信息——即从短距离邻域到长距离邻域的信息——则不断被强化。然而，迄今为止的研究基本上忽略了如何表示分层图信息以及这些信息的特征如何有助于异常检测的问题。现有方法仅利用GNN最后一层的输出进行异常估计，而忽略了中间GNN层中包含的关键信息。为此，本文提出了一种用于多变量时间序列异常检测的图混合专家（Graph-MoE）网络，该网络包含混合专家（MoE）模块，用于适应性地表示和集成分层多层图信息到实体表示中。值得注意的是，图混合专家可以以即插即用的方式集成到任何基于GNN的MTS异常检测方法中。此外，本文提出了记忆增强路由器，以捕获MTS全局历史特征的时间相关性，适应性地为获取的实体表示赋予权重，以实现成功的异常估计。在五个具有挑战性的数据集上的大量实验表明，我们的方法及其每个提议模块的卓越性能。
引用
@article{arxiv.2412.19108,
title = {Graph Mixture of Experts and Memory-augmented Routers for Multivariate Time Series Anomaly Detection},
author = {Xiaoyu Huang and Weidong Chen and Bo Hu and Zhendong Mao},
journal= {arXiv preprint arXiv:2412.19108},
year = {2024}
}
备注
Accepted by AAAI 2025