Are we certain it’s anomalous?

要約

時系列およびより一般的には一連の構造化データのモデル化の進歩により、最近、異常検出の研究が刷新されました。
このタスクは、金融シリーズ、IT システム、航空宇宙測定、および医療分野で異常な行動を特定することを表しており、異常検出はうつ病の症例を分離し、高齢者に付き添うのに役立つ可能性があります。
時系列での異常検出は複雑なタスクです。これは、高度に非線形な時間相関のために異常が発生することはまれであり、異常の定義が主観的な場合があるためです。
ここでは、異常検出 (HypAD) のための双曲線不確実性の新しい使用法を提案します。
HypAD は、入力信号を再構築するために自己監視学習を行います。
最先端のベスト プラクティスを採用して、GAN 評論家の助けを借りて、信号を再構築するためにデコーダーと共同で学習した LSTM によってシーケンスをエンコードします。
不確実性は、双曲線ニューラル ネットワークによってエンドツーエンドで推定されます。
不確実性を使用することにより、HypAD は入力信号について確実であるかどうかを評価できますが、これは異常であるため、再構築に失敗します。
または、モデルが不確実であるため、再構成エラーが必ずしも異常を意味するわけではないかどうか。
複雑だが規則的な入力信号。
新しい重要なアイデアは、検出可能な異常とは、モデルが確実であるが、予測が間違っているものであるということです。
HypAD は、NASA、Yahoo、Numenta、Amazon、Twitter からのデータに基づく確立されたベンチマークで、単変量異常検出の現在の最先端技術を上回っています。
また、高齢者宅の異常活動の多変量データセットで最先端のパフォーマンスを発揮し、SWaT のベースラインよりも優れています。
全体として、HypAD は、検出可能な異常を正常に特定したおかげで、最高のパフォーマンス レートで最小の誤警報を生成します。

要約(オリジナル)

The progress in modelling time series and, more generally, sequences of structured-data has recently revamped research in anomaly detection. The task stands for identifying abnormal behaviours in financial series, IT systems, aerospace measurements, and the medical domain, where anomaly detection may aid in isolating cases of depression and attend the elderly. Anomaly detection in time series is a complex task since anomalies are rare due to highly non-linear temporal correlations and since the definition of anomalous is sometimes subjective. Here we propose the novel use of Hyperbolic uncertainty for Anomaly Detection (HypAD). HypAD learns self-supervisedly to reconstruct the input signal. We adopt best practices from the state-of-the-art to encode the sequence by an LSTM, jointly learnt with a decoder to reconstruct the signal, with the aid of GAN critics. Uncertainty is estimated end-to-end by means of a hyperbolic neural network. By using uncertainty, HypAD may assess whether it is certain about the input signal but it fails to reconstruct it because this is anomalous; or whether the reconstruction error does not necessarily imply anomaly, as the model is uncertain, e.g. a complex but regular input signal. The novel key idea is that a detectable anomaly is one where the model is certain but it predicts wrongly. HypAD outperforms the current state-of-the-art for univariate anomaly detection on established benchmarks based on data from NASA, Yahoo, Numenta, Amazon, Twitter. It also yields state-of-the-art performance on a multivariate dataset of anomaly activities in elderly home residences, and it outperforms the baseline on SWaT. Overall, HypAD yields the lowest false alarms at the best performance rate, thanks to successfully identifying detectable anomalies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google