Are we certain it’s anomalous?

要約

タイトル：Are we certain it’s anomalous?

要約：

– モデリングすることにより、構造化されたデータの時間系列の進歩が、異常検知に関する研究を最近活性化させました。
– このタスクは、異常行動を金融シリーズ、ITシステム、航空宇宙の測定、および医療ドメインで特定し、異常検出がうつ病のケースを分離し、高齢者に対応するのに役立つ。
– 時系列における異常検出は、高度に非線形的な時間相関のため異常がまれであり、異常の定義が主観的であるため、複雑なタスクです。
– ここでは、異常検出のためのHyperbolic不確実性の革新的な利用（HypAD）を提案しています。
– HypADは、入力シグナルを自己教示的に学習して再構築することを学びます。
– 我々は、LSTMによってシーケンスをエンコードし、再構築するデコーダーと共同で学習し、GAN criticsの支援を得て、シーケンスをエンコードするための最新のベストプラクティスを採用します。
– 不確実性は、超ボリックニューラルネットワークによってエンドツーエンドで推定されます。
– 不確実性を使用することにより、HypADは、入力シグナルについて確実であり、しかし異常であるために予測に失敗するかどうかを評価することができます。また、再構築エラーが異常を意味しない場合もあります（複雑で定期的な入力シグナルなど）。検出可能な異常は、「正しく予測することができる」異常です。
– 結局のところ、HypADは、NASA、Yahoo、Numenta、Amazon、Twitterからのデータに基づく確立されたベンチマークで単一変数の異常検出において最新技術を凌駕しています。また、高齢者住宅の異常活動の多変量データセットにおいて最新技術を発揮し、SWaTのベースラインを上回ります
– HypADは、検出可能な異常を正常に識別したことにより、最高の性能レートで最も少ない誤検知を実現しています。

要約(オリジナル)

The progress in modelling time series and, more generally, sequences of structured data has recently revamped research in anomaly detection. The task stands for identifying abnormal behaviors in financial series, IT systems, aerospace measurements, and the medical domain, where anomaly detection may aid in isolating cases of depression and attend the elderly. Anomaly detection in time series is a complex task since anomalies are rare due to highly non-linear temporal correlations and since the definition of anomalous is sometimes subjective. Here we propose the novel use of Hyperbolic uncertainty for Anomaly Detection (HypAD). HypAD learns self-supervisedly to reconstruct the input signal. We adopt best practices from the state-of-the-art to encode the sequence by an LSTM, jointly learned with a decoder to reconstruct the signal, with the aid of GAN critics. Uncertainty is estimated end-to-end by means of a hyperbolic neural network. By using uncertainty, HypAD may assess whether it is certain about the input signal but it fails to reconstruct it because this is anomalous; or whether the reconstruction error does not necessarily imply anomaly, as the model is uncertain, e.g. a complex but regular input signal. The novel key idea is that a detectable anomaly is one where the model is certain but it predicts wrongly. HypAD outperforms the current state-of-the-art for univariate anomaly detection on established benchmarks based on data from NASA, Yahoo, Numenta, Amazon, and Twitter. It also yields state-of-the-art performance on a multivariate dataset of anomaly activities in elderly home residences, and it outperforms the baseline on SWaT. Overall, HypAD yields the lowest false alarms at the best performance rate, thanks to successfully identifying detectable anomalies.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI