Time series anomaly detection with reconstruction-based state-space models

要約

タイトル：復元ベースの状態空間モデルを用いた時系列異常検知

要約：
– デジタル技術の進歩により、多変量時系列データは様々な分野でリアルタイム監視が可能になってきた。
– これらのシナリオで異常なデータのパターンを特定し、潜在的な障害を検出することは重要だが、挑戦的な問題である。
– 本研究では、時系列データのための新しい非教師あり異常検出法を提案する。
– 提案されたフレームワークは、観察モデルと動的モデルを共同で学習し、正常サンプルからモデル不確実性を推定する。
– 具体的には、LSTMベースのエンコーダ・デコーダを採用し、観測空間と潜在空間の間のマッピングを表現する。
– 状態の双方向移行は、後方と前方の時間情報を利用して同時にモデル化される。
– 潜在空間の正規化は正常サンプルの状態に制約を課し、異常度を評価するためにマハラノビス距離が使用される。
– 合成および実世界データセットに対する実証的な研究は、提案法の異常検出タスクでの優れた性能を示している。

要約(オリジナル)

Recent advances in digitization have led to the availability of multivariate time series data in various domains, enabling real-time monitoring of operations. Identifying abnormal data patterns and detecting potential failures in these scenarios are important yet rather challenging. In this work, we propose a novel unsupervised anomaly detection method for time series data. The proposed framework jointly learns the observation model and the dynamic model, and model uncertainty is estimated from normal samples. Specifically, a long short-term memory (LSTM)-based encoder-decoder is adopted to represent the mapping between the observation space and the latent space. Bidirectional transitions of states are simultaneously modeled by leveraging backward and forward temporal information. Regularization of the latent space places constraints on the states of normal samples, and Mahalanobis distance is used to evaluate the abnormality level. Empirical studies on synthetic and real-world datasets demonstrate the superior performance of the proposed method in anomaly detection tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI