Graph Anomaly Detection in Time Series: A Survey

要約

最近のテクノロジーの進歩により、幅広いシステムが長期にわたって大量のデータを収集し続け、したがって時系列を生成します。
時系列異常検出（TSAD）は、eコマース、サイバーセキュリティ、車両メンテナンス、ヘルスケアモニタリングなど、さまざまな時系列アプリケーションで重要なタスクです。
ただし、このタスクは、時間内のデータに存在する変数内依存関係（時間の経過に伴う変数内の関係）と相互の依存関係（複数の変数間の関係）の両方を考慮する必要があるため、非常に困難です。
最近のグラフベースのアプローチは、この分野の課題への取り組みにおいて印象的な進歩を遂げました。
この調査では、G-TSADと呼ばれるグラフを使用してTSADの包括的かつ最新のレビューを実施します。
最初に、時系列データのグラフ表現の重要な可能性と、異常検出を促進するためのその貢献について調査します。
次に、時系列のコンテキストで、主に深い学習アーキテクチャを活用する最先端のグラフ異常検出技術を確認します。
各方法について、その強み、制限、およびそれが優れている特定のアプリケーションについて説明します。
最後に、現在フィールドに直面している技術とアプリケーションの両方の課題に対処し、研究を進め、実用的な結果を改善するための潜在的な将来の方向性を示唆しています。

要約(オリジナル)

With the recent advances in technology, a wide range of systems continue to collect a large amount of data over time and thus generate time series. Time-Series Anomaly Detection (TSAD) is an important task in various time-series applications such as e-commerce, cybersecurity, vehicle maintenance, and healthcare monitoring. However, this task is very challenging as it requires considering both the intra-variable dependency (relationships within a variable over time) and the inter-variable dependency (relationships between multiple variables) existing in time-series data. Recent graph-based approaches have made impressive progress in tackling the challenges of this field. In this survey, we conduct a comprehensive and up-to-date review of TSAD using graphs, referred to as G-TSAD. First, we explore the significant potential of graph representation for time-series data and and its contributions to facilitating anomaly detection. Then, we review state-of-the-art graph anomaly detection techniques, mostly leveraging deep learning architectures, in the context of time series. For each method, we discuss its strengths, limitations, and the specific applications where it excels. Finally, we address both the technical and application challenges currently facing the field, and suggest potential future directions for advancing research and improving practical outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google