Graph-Augmented LSTM for Forecasting Sparse Anomalies in Graph-Structured Time Series

要約

時系列データで異常を検出することは、多くのドメインで重要なタスクです。
課題は、異常がまばらであり、データがセンサーまたはノード全体のリレーショナル依存性と多変量である場合に強化されます。
従来の単変動異常検出器は、特にまばらな異常設定で、このようなクロスノード依存関係をキャプチャするのに苦労しています。
これに対処するために、時系列間の関係のグラフをLSTM予測モデルに明示的に統合するグラフの高さの時系列予測アプローチを提案します。
これにより、モデルは、純粋に単変量のアプローチで気付かれない可能性のあるまれな異常を検出できます。
Yahoo Webscope S5 Anomaly DatasetとMetR-LAトラフィックセンサーネットワークの2つのベンチマークデータセットのアプローチを評価し、Graph-A-ge-hegmented LSTMのLSTMのみ、Arima、および預言者ベースラインと比較します。
結果は、グラフ熟成モデルが精度とリコールが大幅に高いことを示しており、最良のベースラインよりもF1スコアを最大10％改善することを示しています。

要約(オリジナル)

Detecting anomalies in time series data is a critical task across many domains. The challenge intensifies when anomalies are sparse and the data are multivariate with relational dependencies across sensors or nodes. Traditional univariate anomaly detectors struggle to capture such cross-node dependencies, particularly in sparse anomaly settings. To address this, we propose a graph-augmented time series forecasting approach that explicitly integrates the graph of relationships among time series into an LSTM forecasting model. This enables the model to detect rare anomalies that might otherwise go unnoticed in purely univariate approaches. We evaluate the approach on two benchmark datasets – the Yahoo Webscope S5 anomaly dataset and the METR-LA traffic sensor network – and compare the performance of the Graph-Augmented LSTM against LSTM-only, ARIMA, and Prophet baselines. Results demonstrate that the graph-augmented model achieves significantly higher precision and recall, improving F1-score by up to 10% over the best baseline

arxiv情報

提供元, 利用サービス

arxiv.jp, Google