Unsupervised Event Outlier Detection in Continuous Time

要約

イベント シーケンス データは、連続時間におけるイベントの発生を記録します。
時間点プロセス (TPP) に基づくイベント シーケンス予測は広く研究されていますが、特に人間による監視なしでの外れ値や異常の検出については、まだ研究が進んでいません。
この研究では、私たちの知る限り、異常なイベントを検出するための初の教師なし外れ値検出アプローチを開発します。
私たちの新しい教師なし外れ値検出フレームワークは、敵対的生成ネットワーク (GAN) と強化学習 (RL) からのアイデアに基づいています。
データ内の外れ値を修正する「ジェネレーター」を、外れ値を含む可能性のある実際のデータから修正されたデータを区別する方法を学習する「ディスクリミネーター」を使用してトレーニングします。
重要な洞察は、ジェネレーターが修正に誤りを犯した場合、実際のデータの異常とは異なる異常を生成するため、ディスクリミネーターの学習のためのデータ拡張として機能するということです。
一般的な GAN ベースの外れ値検出アプローチとは異なり、私たちの方法ではジェネレーターを使用してオンラインで外れ値を検出します。
実験結果は、私たちの方法が最先端のアプローチよりも正確にイベントの外れ値を検出できることを示しています。

要約(オリジナル)

Event sequence data record the occurrences of events in continuous time. Event sequence forecasting based on temporal point processes (TPPs) has been extensively studied, but outlier or anomaly detection, especially without any supervision from humans, is still underexplored. In this work, we develop, to the best our knowledge, the first unsupervised outlier detection approach to detecting abnormal events. Our novel unsupervised outlier detection framework is based on ideas from generative adversarial networks (GANs) and reinforcement learning (RL). We train a ‘generator’ that corrects outliers in the data with a ‘discriminator’ that learns to discriminate the corrected data from the real data, which may contain outliers. A key insight is that if the generator made a mistake in the correction, it would generate anomalies that are different from the anomalies in the real data, so it serves as data augmentation for the discriminator learning. Different from typical GAN-based outlier detection approaches, our method employs the generator to detect outliers in an online manner. The experimental results show that our method can detect event outliers more accurately than the state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google