TeVAE: A Variational Autoencoder Approach for Discrete Online Anomaly Detection in Variable-state Multivariate Time-series Data

要約

自動車テストの分野で記録データへの注目が高まり、手動による評価が限界に達するにつれ、自動オンライン異常検出のニーズが高まっています。
この現実世界のデータは多くの点で複雑であり、被験者の行動をモデル化する必要があります。
これに対処するために、ラベルのないデータでトレーニングされた場合に誤検知を最小限に抑えて異常を検出できる時間変分オートエンコーダー (TeVAE) を提案します。
また、私たちのアプローチはバイパス現象を回避し、個々のウィンドウを連続時系列に再マップする新しい方法を導入します。
さらに、私たちのアプローチの検出遅延と根本原因能力を評価するための指標を提案し、実際の産業データセットでの実験結果を提示します。
適切に構成されている場合、TeVAE は異常に誤ってフラグを立てる確率は 6% のみで、存在する異常の 65% を検出します。
また、より小規模なトレーニングおよび検証サブセットでも良好なパフォーマンスを発揮する可能性がありますが、より洗練されたしきい値推定方法が必要です。

要約(オリジナル)

As attention to recorded data grows in the realm of automotive testing and manual evaluation reaches its limits, there is a growing need for automatic online anomaly detection. This real-world data is complex in many ways and requires the modelling of testee behaviour. To address this, we propose a temporal variational autoencoder (TeVAE) that can detect anomalies with minimal false positives when trained on unlabelled data. Our approach also avoids the bypass phenomenon and introduces a new method to remap individual windows to a continuous time series. Furthermore, we propose metrics to evaluate the detection delay and root-cause capability of our approach and present results from experiments on a real-world industrial data set. When properly configured, TeVAE flags anomalies only 6% of the time wrongly and detects 65% of anomalies present. It also has the potential to perform well with a smaller training and validation subset but requires a more sophisticated threshold estimation method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google