Open-Set Multivariate Time-Series Anomaly Detection

要約

近年、時系列異常検出 (TSAD) のための多数の手法が登場しましたが、そのほとんどは教師なしであり、現実世界のシナリオで異常なデータを取得するという課題のため、トレーニング段階では正常なサンプルのみが利用可能であると想定されています。
それでも、異常データの限られたサンプルが入手できる場合が多いですが、それらは考えられるすべての異常を表すにはほど遠いものです。
教師あり手法は、正常な異常と目に見える異常を分類するために利用できますが、訓練中に存在する目に見える異常に過剰適合する傾向があるため、目に見えない異常に一般化することができません。
私たちは、多変量開集合時系列異常検出器 (MOSAD) と呼ばれる、開集合 TSAD 問題に対処する最初のアルゴリズムを提案します。このアルゴリズムは、トレーニング段階でラベル付けされた異常の数ショットのみを利用して、他のものと比べて優れた異常検出パフォーマンスを実現します。
教師ありと教師なしの両方の TSAD アルゴリズムに適用されます。
MOSAD は、共有表現空間と、生成ヘッド、識別ヘッド、異常認識対照ヘッドなどの特殊なヘッドを備えた新しいマルチヘッド TSAD フレームワークです。
後者は、従来の教師あり対比学習と比較して、異常検出のための優れた表現空間を生成します。
3 つの現実世界のデータセットに対する広範な実験により、MOSAD は TSAD 分野の新しい最先端技術として確立されました。

要約(オリジナル)

Numerous methods for time-series anomaly detection (TSAD) have emerged in recent years, most of which are unsupervised and assume that only normal samples are available during the training phase, due to the challenge of obtaining abnormal data in real-world scenarios. Still, limited samples of abnormal data are often available, albeit they are far from representative of all possible anomalies. Supervised methods can be utilized to classify normal and seen anomalies, but they tend to overfit to the seen anomalies present during training, hence, they fail to generalize to unseen anomalies. We propose the first algorithm to address the open-set TSAD problem, called Multivariate Open-Set Time-Series Anomaly Detector (MOSAD), that leverages only a few shots of labeled anomalies during the training phase in order to achieve superior anomaly detection performance compared to both supervised and unsupervised TSAD algorithms. MOSAD is a novel multi-head TSAD framework with a shared representation space and specialized heads, including the Generative head, the Discriminative head, and the Anomaly-Aware Contrastive head. The latter produces a superior representation space for anomaly detection compared to conventional supervised contrastive learning. Extensive experiments on three real-world datasets establish MOSAD as a new state-of-the-art in the TSAD field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google