无标签多变量时间序列异常检测
机器学习
2024-02-08 v2
摘要
多变量时间序列 (MTS) 异常检测在单类分类 (OCC) 设置下得到了广泛研究。OCC 假设训练样本是正常的，这在实际情况中难以保证。这种情况可能会降低基于 OCC 的异常检测方法的性能，该方法将训练分布拟合为正常分布。在本文中，我们提出了 MTGFlow，一种通过动态图和实体感知归一化流进行 MTS 异常检测的无监督异常检测方法。MTGFlow 首先估计整个训练样本的密度，然后基于测试样本在拟合分布内的密度来识别异常实例。这依赖于一个广泛接受的假设，即异常实例比正常实例表现出更稀疏的密度，且不依赖于干净的训练数据集。然而，由于实体之间复杂的依赖关系及其多样的固有特性，直接估计密度是困难的。为了缓解这一问题，我们利用图结构学习模型来学习实体之间相互依赖和不断演变的关系，从而有效地捕获 MTS 复杂且准确的分布模式。此外，我们的方法通过采用实体感知归一化流来结合单个实体的独特特性。这使我们能够将每个实体表示为参数化的正态分布。进一步地，考虑到某些实体呈现相似的特征，我们提出了一种聚类策略，利用具有相似特征的实体的共性，从而实现更精确和详细的密度估计。我们将这种聚类感知扩展称为 MTGFlow_cluster。在六个广泛使用的基准数据集上进行了大量实验，其中 MTGFlow 和 MTGFlow_cluster 展示了其卓越的检测性能。
引用
@article{arxiv.2312.11549,
title = {Label-Free Multivariate Time Series Anomaly Detection},
author = {Qihang Zhou and Shibo He and Haoyu Liu and Jiming Chen and Wenchao Meng},
journal= {arXiv preprint arXiv:2312.11549},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2208.02108