Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis

要約

時系列での教師なし異常検出は、手動介入の必要性を大幅に減らすため、産業アプリケーションでは不可欠です。
多変量時系列は、その特徴と時間的次元により複雑な課題を引き起こします。
従来の手法では、グラフ ニューラル ネットワーク (GNN) またはトランスフォーマーを使用して空間を分析し、RNN を使用して時間依存関係をモデル化します。
これらの方法は 1 つの次元に狭く焦点を合わせたり、粗粒度の特徴抽出を行ったりするため、複雑な関係や動的な変化を特徴とする大規模なデータセットには不適切な可能性があります。
この論文では、TopoGDN と呼ばれる、多変量時系列異常検出用の拡張グラフ アテンション ネットワーク (GAT) 上に構築された新しい時間モデルを紹介します。
私たちのモデルは、時間と機能の両方の次元を詳細な観点から分析します。
まず、詳細な時間的特徴を抽出するためにマルチスケール時間畳み込みモジュールを導入します。
さらに、複雑な機能間の依存関係を管理するための拡張 GAT を紹介します。これは、複数のスケールにわたるノード機能にグラフ トポロジを組み込み、GAT のパフォーマンスを大幅に向上させる多用途のプラグ アンド プレイ拡張機能です。
私たちの実験結果は、私たちのアプローチが 4 つのデータセットのベースライン モデルを上回っていることを確認し、堅牢な異常検出が必要な分野で広範に適用できる可能性を示しています。
コードは https://github.com/ljj-cyber/TopoGDN で入手できます。

要約(オリジナル)

Unsupervised anomaly detection in time series is essential in industrial applications, as it significantly reduces the need for manual intervention. Multivariate time series pose a complex challenge due to their feature and temporal dimensions. Traditional methods use Graph Neural Networks (GNNs) or Transformers to analyze spatial while RNNs to model temporal dependencies. These methods focus narrowly on one dimension or engage in coarse-grained feature extraction, which can be inadequate for large datasets characterized by intricate relationships and dynamic changes. This paper introduces a novel temporal model built on an enhanced Graph Attention Network (GAT) for multivariate time series anomaly detection called TopoGDN. Our model analyzes both time and feature dimensions from a fine-grained perspective. First, we introduce a multi-scale temporal convolution module to extract detailed temporal features. Additionally, we present an augmented GAT to manage complex inter-feature dependencies, which incorporates graph topology into node features across multiple scales, a versatile, plug-and-play enhancement that significantly boosts the performance of GAT. Our experimental results confirm that our approach surpasses the baseline models on four datasets, demonstrating its potential for widespread application in fields requiring robust anomaly detection. The code is available at https://github.com/ljj-cyber/TopoGDN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google