M$^2$AD: Multi-Sensor Multi-System Anomaly Detection through Global Scoring and Calibrated Thresholding

要約

産業および運用システム全体でセンサーデータが広く利用できるようになったため、複数のシステムから不均一な時系列に遭遇することがよくあります。
このようなシステムにとって、予測維持を促進するためには、異常検出が重要です。
ただし、ほとんどの既存の異常検出方法は、単変量または単一システムの多変量データのいずれかに対して設計されているため、これらの複雑なシナリオには不十分です。
これに対処するために、複数のシステムからの多変量時系列データにおける監視されていない異常検出のフレームワークであるM $^2 $ ADを紹介します。
M $^2 $ ADは、潜在的な異常の指標として残差を使用して、通常の条件下で予想される動作をキャプチャするために深いモデルを採用しています。
これらの残差は、ガウス混合モデルとガンマキャリブレーションを通じて、グローバルな異常スコアに集約されます。
このフレームワークは、センサーとシステム全体の不均一性と依存関係に効果的に対処できることを理論的に実証します。
経験的には、M $^2 $ ADは、広範な評価で既存の方法を平均21％上回り、その有効性は、Amazon Fulfillment Centersの130の資産に関する大規模な現実世界のケーススタディで実証されています。
私たちのコードと結果は、https：//github.com/sarahmish/m2adで入手できます。

要約(オリジナル)

With the widespread availability of sensor data across industrial and operational systems, we frequently encounter heterogeneous time series from multiple systems. Anomaly detection is crucial for such systems to facilitate predictive maintenance. However, most existing anomaly detection methods are designed for either univariate or single-system multivariate data, making them insufficient for these complex scenarios. To address this, we introduce M$^2$AD, a framework for unsupervised anomaly detection in multivariate time series data from multiple systems. M$^2$AD employs deep models to capture expected behavior under normal conditions, using the residuals as indicators of potential anomalies. These residuals are then aggregated into a global anomaly score through a Gaussian Mixture Model and Gamma calibration. We theoretically demonstrate that this framework can effectively address heterogeneity and dependencies across sensors and systems. Empirically, M$^2$AD outperforms existing methods in extensive evaluations by 21% on average, and its effectiveness is demonstrated on a large-scale real-world case study on 130 assets in Amazon Fulfillment Centers. Our code and results are available at https://github.com/sarahmish/M2AD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google