MGADN：面向多元时间序列的多任务图异常检测网络
机器学习
2022-11-29 v2 人工智能
摘要
时间序列的异常检测，尤其是多元时间序列（具有多个传感器的时序数据）的异常检测，多年来备受关注。尽管现有方法已取得很大进展，仍有若干具有挑战性的问题有待解决。首先，包括神经网络在内的现有方法仅关注时间戳维度上的关系。确切地说，它们只想知道过去的数据如何影响未来的数据。然而，一个传感器有时会干预其他传感器，例如风速可能导致温度下降。其次，时间序列异常检测存在两类模型：预测模型与重构模型。预测模型擅长学习时序表示，但在面对稀疏异常时能力不足；反之，重构模型则相反。因此，我们如何高效获取时间戳与传感器两个维度上的关系成为主要课题。我们的方法使用源自图神经网络的 GAT 来获取传感器间的连接，并使用 LSTM 获取时序关系。我们的方法还被设计为双头结构，通过 VAE（变分自编码器）同时计算预测损失与重构损失。为利用两类模型优势，本模型采用了多任务优化算法。
引用
@article{arxiv.2211.12141,
title = {MGADN: A Multi-task Graph Anomaly Detection Network for Multivariate Time Series},
author = {Weixuan Xiong and Xiaochen Sun},
journal= {arXiv preprint arXiv:2211.12141},
year = {2022}
}