Time series anomaly detection with sequence reconstruction based state-space model

要約

近年のデジタル化の進展により、様々な領域で多変量時系列データが利用できるようになり、リアルタイムでオペレーションを監視することができるようになりました。このような状況において、異常なデータパターンを特定し、潜在的な障害を検出することは、重要であるが、かなり難しい課題である。我々は、時系列データに対する新しい教師なし異常検出法を提案する。本手法は、時系列と隠れた状態の間のマッピングを表現するためにシーケンスエンコーダとデコーダを用い、学習プロセスにおいて前後方向の時間情報を活用することにより、双方向のダイナミクスを同時に学習させる。さらに、状態空間を正則化し、正常なサンプルの状態に制約を与え、マハラノビス距離を使って異常度を評価する。合成データセットと実世界データセットを用いた結果、提案手法の優位性が示された。

要約(オリジナル)

Recent advances in digitization has led to availability of multivariate time series data in various domains, in order to monitor operations in real time. Identifying abnormal data pattern and detect potential failures in these scenarios are important yet rather difficult tasks. We propose a novel unsupervised anomaly detection method for time series data. Our approach uses sequence encoder and decoder to represent the mapping between time series and hidden state, and learns bidirectional dynamics simultaneously by leveraging backward and forward temporal information in the training process. We further regularize the state space to place constraints on states of normal samples, and use Mahalanobis distance to evaluate abnormality level. Results on synthetic and real-world datasets show the superiority of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL