学习图神经网络用于多元时间序列异常检测
机器学习
2021-12-08 v2 人工智能
摘要
在这项工作中，我们提出了 GLUE（带局部不确定性估计的图偏差网络，Graph Deviation Network with Local Uncertainty Estimation），其构建于最近提出的图偏差网络（GDN）之上。GLUE 不仅自动学习变量间复杂依赖关系并利用它们更好地识别异常行为，还量化其预测不确定性，使我们能够考虑数据中的变化，并获得更具可解释性的异常检测阈值。在两个真实世界数据集上的结果表明，优化负高斯对数似然是合理的，因为 GLUE 的预测结果与 GDN 相当，且实际上优于向量自回归基线，考虑到 GDN 直接优化 MSE 损失，这是显著的。总之，我们的实验表明 GLUE 在异常检测上与 GDN 具有竞争力，并附带不确定性估计的优势。我们还展示了 GLUE 学习到有意义的传感器嵌入，将相似传感器聚集在一起。
引用
@article{arxiv.2111.08082,
title = {Learning Graph Neural Networks for Multivariate Time Series Anomaly Detection},
author = {Saswati Ray and Sana Lakdawala and Mononito Goswami and Chufan Gao},
journal= {arXiv preprint arXiv:2111.08082},
year = {2021}
}