TSINR: Capturing Temporal Continuity via Implicit Neural Representations for Time Series Anomaly Detection

要約

時系列異常検出は、データ内の異常なパターンやシステムの予期される動作からの逸脱を特定することを目的としています。
このタスクでは、教師なし学習を通じて点ごとの表現を学習する再構成ベースの手法が主流です。
ただし、トレーニング データ内のラベルのない異常点により、これらの再構築ベースの方法が異常なデータを学習して再構築する可能性があり、その結果、正常なパターンをキャプチャすることが困難になる可能性があります。
この論文では、この課題に対処するために、TSINR と呼ばれる暗黙的ニューラル表現 (INR) 再構成に基づく時系列異常検出方法を提案します。
スペクトル バイアスの特性により、TSINR により低周波信号が優先され、高周波の異常データではパフォーマンスが低下します。
具体的には、INR を採用して時系列データを連続関数としてパラメータ化し、トランスフォーマーベースのアーキテクチャを採用して特定のデータの INR を予測します。
その結果、提案された TSINR 方法は時間的連続性を捕捉するという利点を実現し、不連続な異常データに対する感度が高くなります。
さらに、チャネル間およびチャネル内の情報を学習する新しい形式の INR 連続関数をさらに設計し、事前トレーニングされた大規模な言語モデルを活用して異常の激しい変動を増幅します。
広範な実験により、TSINR は他の最先端の再構築ベースの手法と比較して、単変量および多変量時系列異常検出ベンチマークの両方で優れた全体的なパフォーマンスを達成することが実証されています。
当社のコードが利用可能です。

要約(オリジナル)

Time series anomaly detection aims to identify unusual patterns in data or deviations from systems’ expected behavior. The reconstruction-based methods are the mainstream in this task, which learn point-wise representation via unsupervised learning. However, the unlabeled anomaly points in training data may cause these reconstruction-based methods to learn and reconstruct anomalous data, resulting in the challenge of capturing normal patterns. In this paper, we propose a time series anomaly detection method based on implicit neural representation (INR) reconstruction, named TSINR, to address this challenge. Due to the property of spectral bias, TSINR enables prioritizing low-frequency signals and exhibiting poorer performance on high-frequency abnormal data. Specifically, we adopt INR to parameterize time series data as a continuous function and employ a transformer-based architecture to predict the INR of given data. As a result, the proposed TSINR method achieves the advantage of capturing the temporal continuity and thus is more sensitive to discontinuous anomaly data. In addition, we further design a novel form of INR continuous function to learn inter- and intra-channel information, and leverage a pre-trained large language model to amplify the intense fluctuations in anomalies. Extensive experiments demonstrate that TSINR achieves superior overall performance on both univariate and multivariate time series anomaly detection benchmarks compared to other state-of-the-art reconstruction-based methods. Our codes are available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google