Precursor-of-Anomaly Detection for Irregular Time Series

要約

異常検出は、予期せぬパターンやデータポイントを特定することを目的とした重要な分野であり、現実世界の多くの問題、特に金融、製造、サイバーセキュリティなどのアプリケーションに密接に関連しています。
異常検出はさまざまな分野で広く研究されていますが、将来の異常を発生前に検出することは依然として未踏の領域です。
この論文では、\emph{\textbf{P}recursor-of-\textbf{A}nomaly} (PoA) 検出と呼ばれる新しいタイプの異常検出を紹介します。
特定の時系列観測が異常であるかどうかを判断することに焦点を当てた従来の異常検出とは異なり、PoA 検出は将来の異常を発生前に検出することを目的としています。
両方の問題を同時に解決するために、ニューラル制御された微分方程式ベースのニューラル ネットワークとそのマルチタスク学習アルゴリズムを紹介します。
規則的および不規則な時系列を含む 17 のベースラインと 3 つのデータセットを使用して実験を実施し、提示した方法がほぼすべてのケースでベースラインを上回るパフォーマンスを示します。
私たちのアブレーション研究では、マルチタスク トレーニング方法により、異常検出と PoA 検出の両方の全体的なパフォーマンスが大幅に向上することも示されています。

要約(オリジナル)

Anomaly detection is an important field that aims to identify unexpected patterns or data points, and it is closely related to many real-world problems, particularly to applications in finance, manufacturing, cyber security, and so on. While anomaly detection has been studied extensively in various fields, detecting future anomalies before they occur remains an unexplored territory. In this paper, we present a novel type of anomaly detection, called \emph{\textbf{P}recursor-of-\textbf{A}nomaly} (PoA) detection. Unlike conventional anomaly detection, which focuses on determining whether a given time series observation is an anomaly or not, PoA detection aims to detect future anomalies before they happen. To solve both problems at the same time, we present a neural controlled differential equation-based neural network and its multi-task learning algorithm. We conduct experiments using 17 baselines and 3 datasets, including regular and irregular time series, and demonstrate that our presented method outperforms the baselines in almost all cases. Our ablation studies also indicate that the multitasking training method significantly enhances the overall performance for both anomaly and PoA detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google