用于离散事件序列异常检测的多尺度单类循环神经网络
机器学习
2020-09-01 v1 机器学习
摘要
离散事件序列无处不在，例如信息与通信技术系统中过程交互的有序事件序列。近年来，利用离散事件序列检测异常的研究不断增多。然而，由于数据不平衡问题、事件的离散特性以及数据的序列本质等内在挑战，这仍是一项极为困难的任务。为应对这些挑战，本文提出 OC4Seq，一种用于检测离散事件序列中异常的多尺度单类循环神经网络。具体而言，OC4Seq 将异常检测目标与循环神经网络（RNNs）相结合，将离散事件序列嵌入到潜在空间中，从而可轻松检测异常。此外，鉴于异常序列可能由单个事件、事件子序列或整个序列引起，我们设计了一个多尺度 RNN 框架，以同时捕捉不同层次的序列模式。在三个基准数据集上的实验结果表明，OC4Seq 始终大幅优于各种代表性基线方法。此外，通过定量与定性分析，验证了捕捉多尺度序列模式对于事件异常检测的重要性。
引用
@article{arxiv.2008.13361,
title = {Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection},
author = {Zhiwei Wang and Zhengzhang Chen and Jingchao Ni and Hui Liu and Haifeng Chen and Jiliang Tang},
journal= {arXiv preprint arXiv:2008.13361},
year = {2020}
}