Self-Supervised Spatial-Temporal Normality Learning for Time Series Anomaly Detection

要約

時系列異常検出 (TSAD) は、金融市場、工業生産、ヘルスケアなどのさまざまな領域に広く応用されています。
その主な目的は、時系列データの正常なパターンを学習し、それによってテスト サンプルの偏差を特定することです。
既存の TSAD 手法のほとんどは、空間次元の意味情報を無視して、時間次元からのデータのモデリングに重点を置いています。
この問題に対処するために、時空間正規性学習 (STEN) と呼ばれる新しいアプローチを導入します。
STEN は、シーケンス内の時間相関を捕捉するシーケンス順序予測ベースの時間正規性学習 (OTN) モジュールと、特徴空間内のシーケンス間の相対的な空間関係を学習する距離予測ベースの空間正規性学習 (DSN) モジュールで構成されます。
。
これら 2 つのモジュールを合成することにより、STEN は、時系列データに隠された正常なパターンの表現力豊かな時空間表現を学習します。
5 つの一般的な TSAD ベンチマークに関する広範な実験により、STEN が最先端の競合手法よりも大幅に優れていることがわかりました。
私たちのコードは https://github.com/mala-lab/STEN で入手できます。

要約(オリジナル)

Time Series Anomaly Detection (TSAD) finds widespread applications across various domains such as financial markets, industrial production, and healthcare. Its primary objective is to learn the normal patterns of time series data, thereby identifying deviations in test samples. Most existing TSAD methods focus on modeling data from the temporal dimension, while ignoring the semantic information in the spatial dimension. To address this issue, we introduce a novel approach, called Spatial-Temporal Normality learning (STEN). STEN is composed of a sequence Order prediction-based Temporal Normality learning (OTN) module that captures the temporal correlations within sequences, and a Distance prediction-based Spatial Normality learning (DSN) module that learns the relative spatial relations between sequences in a feature space. By synthesizing these two modules, STEN learns expressive spatial-temporal representations for the normal patterns hidden in the time series data. Extensive experiments on five popular TSAD benchmarks show that STEN substantially outperforms state-of-the-art competing methods. Our code is available at https://github.com/mala-lab/STEN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google