End-To-End Self-Tuning Self-Supervised Time Series Anomaly Detection

要約

時系列異常検出(TSAD)は、環境センサー、産業KPI、患者バイオマーカーなどのモニタリングなど、多くのアプリケーションに利用されている。TSADの2つの課題は、ラベル付けされたデータなしで、様々な異なるタイプの時系列異常（スパイク、不連続性、トレンドシフトなど）を検出できる、汎用性の高い教師なしモデルである。最新のニューラルネットワークは、複雑な時系列のモデル化において卓越した能力を持っている。特に自己教師ありモデルは、学習のために擬似的なアノマリーを作成するために、様々な補強を介して入力を変換することにより、教師なしTSADに取り組む。しかし、その性能は、実際には選択しにくいオーグメンテーションの選択に敏感であり、ラベルのないTSADのためのデータオーグメンテーションチューニングに関する文献は存在しない。我々の研究はこのギャップを埋めることを目的とする。我々はTSAのためのTSAPを「自動操縦（on autoPilot）」で導入する。それは、微分可能なオーグメンテーションアーキテクチャと、オーグメンテーションタイプとアノマリータイプの間の整合性を効果的に評価するための教師なし検証ロスである。ケーススタディでは、TSAPが（離散的な）オーグメンテーションタイプと関連する（連続的な）ハイパーパラメータを効果的に選択できることを示している。その結果、TSAPは、異なる異常タイプを示す多様なTSADタスクにおいて、SOTA自己教師モデルを含む確立されたベースラインを凌駕する。

要約(オリジナル)

Time series anomaly detection (TSAD) finds many applications such as monitoring environmental sensors, industry KPIs, patient biomarkers, etc. A two-fold challenge for TSAD is a versatile and unsupervised model that can detect various different types of time series anomalies (spikes, discontinuities, trend shifts, etc.) without any labeled data. Modern neural networks have outstanding ability in modeling complex time series. Self-supervised models in particular tackle unsupervised TSAD by transforming the input via various augmentations to create pseudo anomalies for training. However, their performance is sensitive to the choice of augmentation, which is hard to choose in practice, while there exists no effort in the literature on data augmentation tuning for TSAD without labels. Our work aims to fill this gap. We introduce TSAP for TSA ‘on autoPilot’, which can (self-)tune augmentation hyperparameters end-to-end. It stands on two key components: a differentiable augmentation architecture and an unsupervised validation loss to effectively assess the alignment between augmentation type and anomaly type. Case studies show TSAP’s ability to effectively select the (discrete) augmentation type and associated (continuous) hyperparameters. In turn, it outperforms established baselines, including SOTA self-supervised models, on diverse TSAD tasks exhibiting different anomaly types.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL