[論文レビュー] Anomaly Detection in Univariate Time-series: A Survey on the State-of-the-Art

Mohammad Braei, Sebastian Wagner|arXiv (Cornell University)|Apr 1, 2020

Anomaly Detection Techniques and Applications参考文献 90被引用数 154

ひとこと要約

この調査は、一変量時系列の異常検知において統計学的手法、古典的機械学習、深層学習アプローチを比較し、公開データセット全体で20の手法を精度と実行時間の観点から評価します。

ABSTRACT

Anomaly detection for time-series data has been an important research field for a long time. Seminal work on anomaly detection methods has been focussing on statistical approaches. In recent years an increasing number of machine learning algorithms have been developed to detect anomalies on time-series. Subsequently, researchers tried to improve these techniques using (deep) neural networks. In the light of the increasing number of anomaly detection methods, the body of research lacks a broad comparative evaluation of statistical, machine learning and deep learning methods. This paper studies 20 univariate anomaly detection methods from the all three categories. The evaluation is conducted on publicly available datasets, which serve as benchmarks for time-series anomaly detection. By analyzing the accuracy of each method as well as the computation time of the algorithms, we provide a thorough insight about the performance of these anomaly detection approaches, alongside some general notion of which method is suited for a certain type of data.

研究の動機と目的

• 時系列異常検知手法の広範な跨カテゴリ評価の必要性を動機づける。
• 一変量時系列データで統計学的、古典的ML、ニューラルネットワーク手法を比較する。
• データ特性と性能トレードオフの異なる適性に関する洞察を提供する。

提案手法

• 異常、時系列、異常のタイプ、評価フレーミングの基礎概念を論じる。
• 異常検知手法を統計的、古典的ML、ニューラルネットワークベースのアプローチに分類・整理する。
• Dataset usage and hyperparameters を含む評価設定を説明し、公正な比較を確保する。
• 各カテゴリ内の代表的手法を概説（例：AR/ARMA/ARIMA、SES/TES/DES、クラスタリングとOne-Class SVM、autoencoders、GANs）。
• 予測ベースと形状ベースの検出が一変量時系列にどのように適用されるかを分析する。

実験結果

リサーチクエスチョン

• RQ1 一変量時系列異常検知における統計的、古典的ML、深層学習法の相対的な精度はどの程度か？
• RQ2 ベンチマークデータセット上での方法ファミリー間の計算時間はどう比較されるか？
• RQ3 どのデータ特性（定常性、季節性、ウィンドウ化）が特定の異常検知アプローチを有利にするか？
• RQ4 これらの方法を一変量時系列に適用する際の実務的考慮事項（教師あり対半教師あり対教師なし）は？

主な発見

• 論文は複数のデータセットで三つの手法カテゴリ間の定量的な比較を提供する。
• 精度と計算時間の双方を分析し、性能トレードオフを mapping する。
• データ特性と異常タイプ（点状、集合的、文脈的）に対する手法の適合性を論じる。
• AR vs ARMA vs ARIMA、SES/DES/TES、クラスタリング vs 密度ベース手法など、モデル選択の影響を強調する。
• 最も良い単一のアプローチは存在しないことを強調し、データ依存かつ予測ベース対形状ベース検出戦略に関連している。