基于增强图注意力网络与拓扑分析的多变量时序异常检测
机器学习
2024-08-26 v1 人工智能
摘要
时序异常检测无监督方法对于工业应用至关重要，因为它显著减少了对人工干预的需求。多变量时序数据因其特征和时间维度而具有复杂挑战。传统方法使用图神经网络 (GNN) 或 Transformer 来分析空间特征，而使用 RNN 来建模时间依赖性。这些方法仅在一个维度上关注，或进行粗粒度特征提取，这对于数据复杂关系和动态变化的数据集可能不够。本文引入一种新颖的时序模型，基于增强图注意力网络 (GAT) 构建，用于多变量时序异常检测，称为 TopoGDN。我们的模型从细粒度角度分析时间和特征维度。首先，我们引入多尺度时序卷积模块以提取详细的时间特征。此外，我们提出了一种增强 GAT，用于管理复杂的特征间依赖关系，该方法将图拓扑整合到跨多个尺度的节点特征中，这是一种通用、可即插即用的增强，显著提升了 GAT 的性能。我们的实验结果证明，我们的方法在四个数据集上优于基线模型，展示了其在需要稳健异常检测的领域广泛应用的潜力。代码已在 https://github.com/ljj-cyber/TopoGDN 上提供。
引用
@article{arxiv.2408.13082,
title = {Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis},
author = {Zhe Liu and Xiang Huang and Jingyun Zhang and Zhifeng Hao and Li Sun and Hao Peng},
journal= {arXiv preprint arXiv:2408.13082},
year = {2024}
}
备注
10 pages, 5 figures, to be published in CIKM 2024