RSM-GAN：一种用于含噪季节性多元时间序列异常检测的卷积循环GAN
机器学习
2019-11-19 v1 机器学习
摘要
鲁棒异常检测是监控复杂现代系统的需求，其应用包括网络安全、欺诈防范与设备维护。这些系统生成多个高度季节性且含噪的相互关联时间序列。本文提出一种用于多元时间序列异常检测的新型无监督深度学习架构，称为鲁棒季节性多元生成对抗网络（Robust Seasonal Multivariate Generative Adversarial Network, RSM-GAN）。它扩展了 GAN 近期进展，采用卷积-LSTM 层与注意力机制以取得最先进的性能。我们进行了大量实验以展示该架构在适应复杂季节性模式和处理严重训练数据污染方面的优势。我们还提出了一种新颖的异常分数分配与因果推断框架。我们将 RSM-GAN 与现有的经典及基于深度学习的异常检测模型进行比较，结果表明我们的架构具有最低误报率，并在真实与合成数据上分别将准确率提升 30% 和 16%。此外，我们报告了 RSM-GAN 在所有数据设置下在准确根因识别与 NAB 分数方面的优越性。
引用
@article{arxiv.1911.07104,
title = {RSM-GAN: A Convolutional Recurrent GAN for Anomaly Detection in Contaminated Seasonal Multivariate Time Series},
author = {Farzaneh Khoshnevisan and Zhewen Fan},
journal= {arXiv preprint arXiv:1911.07104},
year = {2019}
}
备注
8 pages, 5 figures