基于深度重构与预测的记忆增强对抗自编码器用于多元时间序列异常检测
机器学习
2021-10-19 v1
摘要
由于当今IT监控系统维度规模增大且复杂性提高，在无人工监督情况下检测多元时间序列异常仍是一个具有挑战性的问题。近期无监督时间序列异常检测进展主要使用深度自编码器解决该问题，即在正常样本上训练并对异常输入产生显著重构误差。然而在实践中，由于神经网络强大的能力，自编码器可以很好地重构异常。此外，这些方法仅利用逐点重构目标，难以有效识别非点异常（如上下文异常和集体异常）。为应对上述问题，我们提出MemAAE（基于深度重构与预测的记忆增强对抗自编码器），一种新颖的无监督时间序列异常检测方法。通过以共享网络架构联合训练重构与预测两个互补代理任务，我们表明通过多任务检测异常优于单任务训练。此外，引入压缩记忆模块以保留正常模式，避免对异常输入的意外泛化。通过大量实验，MemAAE在四个公开数据集上取得0.90的总体F1分数，显著优于最佳基线0.02。
引用
@article{arxiv.2110.08306,
title = {Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction},
author = {Qinfeng Xiao and Shikuan Shao and Jing Wang},
journal= {arXiv preprint arXiv:2110.08306},
year = {2021}
}