重构异常为正常：面向时间序列异常检测的对抗式学习与隐向量约束自编码器
机器学习
2020-10-15 v1 机器学习
摘要
时间序列中的异常检测已被广泛研究并具有重要的实际应用。近年来，异常检测算法大多基于深度学习生成模型，并利用重构误差来检测异常。它们在训练阶段试图通过重构正常数据来捕捉正常数据的分布，随后计算测试数据的重构误差以进行异常检测。然而，其中大多数仅在训练阶段使用正常数据，无法保证异常数据的重构过程。因此，异常数据有时也能被很好地重构并获得较低的重构误差，从而导致异常被漏检。此外，这些算法尚未充分利用时间序列数据中数据点的邻域信息。本文中，我们提出基于“将异常重构为正常”（Reconstruct Anomalies to Normal）思想的 RAN，并将其应用于无监督时间序列异常检测。为使正常数据的重构误差最小化而异常数据的重构误差最大化，我们不只是确保正常数据被良好重构，还试图使异常数据的重构与正常数据的分布一致，从而异常将获得更高的重构误差。我们通过引入“仿造异常数据”并将特别设计的隐向量约束自编码器与判别器结合以构建对抗网络来实现该思想。在来自不同场景（如心电图诊断）的时间序列数据集上的大量实验也表明，RAN 能够检测出有意义的异常，并且在 AUC-ROC 方面优于其他算法。
引用
@article{arxiv.2010.06846,
title = {Reconstruct Anomaly to Normal: Adversarial Learned and Latent Vector-constrained Autoencoder for Time-series Anomaly Detection},
author = {Chunkai Zhang and Wei Zuo and Xuan Wang},
journal= {arXiv preprint arXiv:2010.06846},
year = {2020}
}