Time-series Anomaly Detection via Contextual Discriminative Contrastive Learning

要約

タイトル：コンテキストディスクリミニティブ対比学習を用いた時系列異常検知

要約：

– 時系列データで異常を検知することは、異常が時間的な動きに依存するために難しい。
– 一つのクラス分類 (One-class classification) 方法は、異常検知タスクによく使用されるが、時系列データに適用するときには限界がある。
– 特に、すべての正常なインスタンスを1つの超球にマッピングして、グローバルな特性を捉えることができるが、異常性がローカルな情報に基づいて定義される場合、性能が低下する可能性がある。
– この限界に対処するために、DeepSVDDの損失関数に着想を得た新しいアプローチを提案する。このアプローチでは、すべての正常なインスタンスを1つの超球の中心にマッピングするのではなく、各正常なインスタンスが最近のコンテキストウィンドウに向かって引き寄せられる。
– ただし、このアプローチは表現の崩壊問題に陥りやすく、与えられたインスタンスとそのコンテキストをエンコードするニューラルネットワークが一定のエンコーダーソリューションに最適化される可能性がある。この問題を克服するために、NeuDimNet（有望な自己学習異常検知アプローチ）からの決定論的対比損失を組み合わせる。
– 理論的な分析を提供して、決定論的対比損失の組み込みが一定のエンコーダーソリューションの発生を効果的に防ぐことができることを示す。
– 実験結果は、実世界の産業用データセット上の各種ベースラインとモデル変種に対して、我々のモデルが優れた性能を発揮していることを示している。

要約(オリジナル)

Detecting anomalies in temporal data is challenging due to anomalies being dependent on temporal dynamics. One-class classification methods are commonly used for anomaly detection tasks, but they have limitations when applied to temporal data. In particular, mapping all normal instances into a single hypersphere to capture their global characteristics can lead to poor performance in detecting context-based anomalies where the abnormality is defined with respect to local information. To address this limitation, we propose a novel approach inspired by the loss function of DeepSVDD. Instead of mapping all normal instances into a single hypersphere center, each normal instance is pulled toward a recent context window. However, this approach is prone to a representation collapse issue where the neural network that encodes a given instance and its context is optimized towards a constant encoder solution. To overcome this problem, we combine our approach with a deterministic contrastive loss from Neutral AD, a promising self-supervised learning anomaly detection approach. We provide a theoretical analysis to demonstrate that the incorporation of the deterministic contrastive loss can effectively prevent the occurrence of a constant encoder solution. Experimental results show superior performance of our model over various baselines and model variants on real-world industrial datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI