Graph-based Time-Series Anomaly Detection: A Survey

要約

最近のテクノロジーの進歩に伴い、さまざまなシステムが長期間にわたり大量のデータを収集し続け、時系列を生成しています。
時系列異常検出 (TSAD) は、電子商取引、サイバーセキュリティ、車両メンテナンス、医療監視などのさまざまな時系列アプリケーションにおいて重要なタスクです。
ただし、このタスクは、変数を時系列データの観測値として定義できる、変数内の依存関係と変数間の依存関係の両方を考慮する必要があるため、非常に困難です。
最近のグラフベースのアプローチは、この分野の課題への取り組みにおいて目覚ましい進歩を遂げました。
この調査では、グラフベースの TSAD (G-TSAD) の包括的かつ最新のレビューを実施します。
まず、時系列データのグラフ表現学習の大きな可能性を探ります。
次に、時系列のコンテキストで最先端のグラフ異常検出技術をレビューし、その長所と短所について説明します。
最後に、この研究分野における技術的な課題と改善の可能性のある将来の方向性について説明します。

要約(オリジナル)

With the recent advances in technology, a wide range of systems continue to collect a large amount of data over time and thus generate time series. Time-Series Anomaly Detection (TSAD) is an important task in various time-series applications such as e-commerce, cybersecurity, vehicle maintenance, and healthcare monitoring. However, this task is very challenging as it requires considering both the intra-variable dependency and the inter-variable dependency, where a variable can be defined as an observation in time series data. Recent graph-based approaches have made impressive progress in tackling the challenges of this field. In this survey, we conduct a comprehensive and up-to-date review of Graph-based TSAD (G-TSAD). First, we explore the significant potential of graph representation learning for time-series data. Then, we review state-of-the-art graph anomaly detection techniques in the context of time series and discuss their strengths and drawbacks. Finally, we discuss the technical challenges and potential future directions for possible improvements in this research field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google