图对齐驱动的多变量时间序列异常检测
机器学习
2024-10-14 v1 数据库
信息检索
多媒体
摘要
多变量时间序列(MTS)异常检测是数据挖掘和行业应用中的关键任务。当前工业方法通常将异常检测方法作为无监督学习任务，旨在通过估计噪声、无标签数据集中的正常分布来识别偏差。这些方法越来越多地通过图结构来捕获通道之间的相互依赖关系，以提高准确性。然而，MTS通道之间相互依赖关系的作用比以往所理解的更为关键，因为从正常数据到异常数据，通道间相互依赖关系的变化是显著的。这一观察表明“异常可以通过这些相互依赖图序列的变化来检测”。为此，我们引入了MADGA(MTS Anomaly Detection via Graph Alignment)，将异常检测重新定义为图对齐(GA)问题，显式地利用相互依赖关系进行异常检测。MADGA动态地将子序列转换为图以捕捉演化的相互依赖关系，并对这些图进行图对齐，通过优化对齐方案来最小化成本，有效地在正常数据上最小化距离，在异常数据上最大化距离。我们的方法独特之处在于GA涉及对节点和边的显式对齐，分别采用Wasserstein距离用于节点，对边使用Gromov-Wasserstein距离。迄今为止，这是首次将GA应用于MTS异常检测，以显式利用相互依赖关系。广泛的在多样化真实数据集上的实验验证了MADGA的有效性，证明了其检测异常和区分相互依赖关系的能力，始终在各种场景下实现最先进的性能。
引用
@article{arxiv.2410.08877,
title = {Interdependency Matters: Graph Alignment for Multivariate Time Series Anomaly Detection},
author = {Yuanyi Wang and Haifeng Sun and Chengsen Wang and Mengde Zhu and Jingyu Wang and Wei Tang and Qi Qi and Zirui Zhuang and Jianxin Liao},
journal= {arXiv preprint arXiv:2410.08877},
year = {2024}
}