Hypergraph-based multi-scale spatio-temporal graph convolution network for Time-Series anomaly detection

要約

多変量時系列異常検出テクノロジーは、航空宇宙、水処理、クラウド サービス プロバイダーなどの多くの分野で重要な役割を果たしています。優れた異常検出モデルにより、作業効率が大幅に向上し、大きな経済的損失を回避できます。
しかし、テクノロジーの発展、データのサイズと複雑さの増加、関連する異常データのラベルの欠如により、高次元で複雑なデータセットで効果的かつ正確な異常検出を実行することがますます困難になってきています。
この論文では、ハイパーグラフ ベースの時空間グラフ畳み込みニューラル ネットワーク モデル STGCN_Hyper を提案します。これは、ハイパーグラフ ベースの動的グラフ構造学習モジュールを通じて、複数の変数間の高次のマルチホップ相関を明示的に捕捉します。
これに基づいて、さらにハイパーグラフベースの時空間グラフ畳み込みネットワークを使用して、学習されたハイパーグラフ構造を利用して、畳み込みネットワーク内の1ホップおよびマルチホップ関連ノード情報を効果的に伝播および集約し、それによって豊富な空間情報を取得します。
さらに、STGCN_hyper モデルは、マルチスケール TCN 拡張畳み込みモジュールを通じて、時間次元のさまざまなスケールでの特徴の依存関係もキャプチャできます。
PCA および GMM に基づく教師なし異常検出機能も STGCN_hyper モデルに統合されています。
検出器の異常スコアを通じて、モデルは教師なしの方法で異常を検出できます。
複数の時系列データセットでの実験結果は、私たちのモデルがデータ内のマルチスケール時系列特徴と特徴間の依存関係を柔軟に学習でき、異常検出タスクの精度、再現率、F1 スコアの点でほとんどの既存のベースライン モデルを上回っていることを示しています。
。
私たちのコードは https://git.ecdf.ed.ac.uk/msc-23-24/s2044819 で入手できます。

要約(オリジナル)

Multivariate time series anomaly detection technology plays an important role in many fields including aerospace, water treatment, cloud service providers, etc. Excellent anomaly detection models can greatly improve work efficiency and avoid major economic losses. However, with the development of technology, the increasing size and complexity of data, and the lack of labels for relevant abnormal data, it is becoming increasingly challenging to perform effective and accurate anomaly detection in high-dimensional and complex data sets. In this paper, we propose a hypergraph based spatiotemporal graph convolutional neural network model STGCN_Hyper, which explicitly captures high-order, multi-hop correlations between multiple variables through a hypergraph based dynamic graph structure learning module. On this basis, we further use the hypergraph based spatiotemporal graph convolutional network to utilize the learned hypergraph structure to effectively propagate and aggregate one-hop and multi-hop related node information in the convolutional network, thereby obtaining rich spatial information. Furthermore, through the multi-scale TCN dilated convolution module, the STGCN_hyper model can also capture the dependencies of features at different scales in the temporal dimension. An unsupervised anomaly detector based on PCA and GMM is also integrated into the STGCN_hyper model. Through the anomaly score of the detector, the model can detect the anomalies in an unsupervised way. Experimental results on multiple time series datasets show that our model can flexibly learn the multi-scale time series features in the data and the dependencies between features, and outperforms most existing baseline models in terms of precision, recall, F1-score on anomaly detection tasks. Our code is available on: https://git.ecdf.ed.ac.uk/msc-23-24/s2044819

arxiv情報

提供元, 利用サービス

arxiv.jp, Google