Towards a General Time Series Anomaly Detector with Adaptive Bottlenecks and Dual Adversarial Decoders

要約

時系列異常検知は、幅広いアプリケーションにおいて重要な役割を果たす。既存の手法では、データセット毎に特定のモデルを学習する必要があり、異なるターゲットデータセット間での汎化能力に限界があるため、学習データが乏しい様々なシナリオにおける異常検知性能の妨げとなっている。この問題を解決するために、我々は一般的な時系列異常検知モデルを構築することを提案する。このモデルは、広範なマルチドメインデータセットで事前に訓練され、その後、多数の下流シナリオに適用することができる。(1)異なるデータセットに合わせた適切な情報ボトルネックの多様な要求を1つの統一されたモデルで満たすこと、(2)様々なターゲットシナリオにおいて効果的な異常検知を行うために重要な、複数の正常パターンと異常パターンの区別を可能にすること、である。この2つの課題に取り組むため、我々は適応型ボトルネックと二重逆行列復号器(DADA)を用いた一般的な時系列異常検出器を提案する。これは、異なるデータに基づくボトルネックの柔軟な選択を可能にし、正常系列と異常系列の明確な区別を明示的に強化する。我々は、異なるドメインからの9つのターゲットデータセットに対して広範な実験を行った。マルチドメインデータで事前学習した後、これらのデータセットに対してゼロショット異常検出器として機能するDADAは、各特定のデータセットに合わせたモデルと比較して、依然として競争力のある、あるいはより優れた結果を達成している。コードはhttps://github.com/decisionintelligence/DADA。

要約(オリジナル)

Time series anomaly detection plays a vital role in a wide range of applications. Existing methods require training one specific model for each dataset, which exhibits limited generalization capability across different target datasets, hindering anomaly detection performance in various scenarios with scarce training data. Aiming at this problem, we propose constructing a general time series anomaly detection model, which is pre-trained on extensive multi-domain datasets and can subsequently apply to a multitude of downstream scenarios. The significant divergence of time series data across different domains presents two primary challenges in building such a general model: (1) meeting the diverse requirements of appropriate information bottlenecks tailored to different datasets in one unified model, and (2) enabling distinguishment between multiple normal and abnormal patterns, both are crucial for effective anomaly detection in various target scenarios. To tackle these two challenges, we propose a General time series anomaly Detector with Adaptive Bottlenecks and Dual Adversarial Decoders (DADA), which enables flexible selection of bottlenecks based on different data and explicitly enhances clear differentiation between normal and abnormal series. We conduct extensive experiments on nine target datasets from different domains. After pre-training on multi-domain data, DADA, serving as a zero-shot anomaly detector for these datasets, still achieves competitive or even superior results compared to those models tailored to each specific dataset. The code is made available at https://github.com/decisionintelligence/DADA.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL