面向多传感器时间序列信号的无监督深度异常检测
人工智能
2021-08-03 v2 机器学习
信号处理
摘要
如今，多传感器技术被应用于许多领域，例如医疗健康（HC）、人类活动识别（HAR）和工业控制系统（ICS）。这些传感器能够生成大量多变量时间序列数据。多传感器时间序列数据上的无监督异常检测已被证明在机器学习研究中至关重要。关键挑战是通过捕捉多传感器数据中的时空相关性来发现广义的正常模式。除了这一挑战外，噪声数据常与训练数据交织在一起，很可能误导模型，使其难以区分正常、异常和噪声数据。以往的研究很少能同时应对这两个挑战。在本文中，我们提出一种基于深度学习的新型异常检测算法，称为深度卷积自编码记忆网络（CAE-M）。我们首先构建一个深度卷积自编码器，以最大均值差异（MMD）刻画多传感器数据的空间依赖性，从而更好区分噪声、正常和异常数据。然后，我们构造一个由线性（自回归模型）和非线性预测（带注意力的双向 LSTM）组成的记忆网络，以从时间序列数据中捕捉时间依赖性。最后，CAE-M 联合优化这两个子网络。我们在 HAR 和 HC 数据集上将所提方法与几种最先进的异常检测方法进行了实证比较。实验结果表明，我们提出的模型优于这些现有方法。
引用
@article{arxiv.2107.12626,
title = {Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals},
author = {Yuxin Zhang and Yiqiang Chen and Jindong Wang and Zhiwen Pan},
journal= {arXiv preprint arXiv:2107.12626},
year = {2021}
}
备注
Accepted to IEEE Transactions on Knowledge and Data Engineering (IEEE TKDE) as a regular paper; 14 pages