[論文レビュー] Anomaly Detection on Graph Time Series

Daniel Hsu|arXiv (Cornell University)|Aug 9, 2017

Anomaly Detection Techniques and Applications参考文献 29被引用数 5

ひとこと要約

本論文は、RNNと変分推論を用いて時間的ダイナミクスをモデル化し、グラフ畳み込みネットワークを用いて空間的依存関係を捉えることで、グラフ時系列における異常を検出する変分再帰ニューラルネットワークを提案する。外部要因は潜在変数特徴拡張を介して効果的に統合され、交通フローデータにおいて優れた性能を示し、頑健な異常検出能力を実証する。

ABSTRACT

In this paper, we use variational recurrent neural network to investigate the anomaly detection problem on graph time series. The temporal correlation is modeled by the combination of recurrent neural network (RNN) and variational inference (VI), while the spatial information is captured by the graph convolutional network. In order to incorporate external factors, we use feature extractor to augment the transition of latent variables, which can learn the influence of external factors. With the target function as accumulative ELBO, it is easy to extend this model to on-line method. The experimental study on traffic flow data shows the detection capability of the proposed method.

研究の動機と目的

• 時間の経過に伴い変化する動的グラフにおける異常検出の課題に対処すること。
• 再帰ニューラルネットワークと変分推論を組み合わせることで、グラフ時系列内の複雑な時間的相関をモデル化すること。
• グラフ畳み込みネットワークを用いて、グラフノード間の空間的依存関係を捉えること。
• 潜在変数特徴拡張を介して外部影響要因を異常検出プロセスに統合すること。
• 累積証拠下限界（ELBO）としての目的関数を定式化することで、オンライン異常検出を可能とすること。

提案手法

• モデルは、潜在変数遷移を用いて、グラフ時系列内の時間的依存関係を捉えるために変分再帰ニューラルネットワーク（VRNN）を採用する。
• グラフ構造内のノード間の空間的関係を符号化するために、グラフ畳み込みネットワーク（GCN）が用いられる。
• 外部要因は、特徴抽出器を用いて潜在変数遷移ダイナミクスを拡張することで統合される。
• 目的関数は累積証拠下限界（ELBO）として定義され、効率的な学習とオンライン拡張を可能にする。
• モデルは、再構成と潜在変数の正則化を最適化するため、時間方向の誤差逆伝播を用いてエンドツーエンドで訓練される。

実験結果

リサーチクエスチョン

• RQ1 グラフ時系列内の時間的依存関係は、どのようにして異常検出のための効果的なモデル化が可能か？
• RQ2 グラフノード間の空間的相関は、異常検出性能にどの程度寄与するか？
• RQ3 外部要因を潜在空間に意味的に統合することで、検出精度を向上させることができるか？
• RQ4 提案されたモデルはオンライン異常検出設定に拡張可能か？
• RQ5 ベースライン手法と比較して、本モデルは実世界の交通フローデータにおいてどの程度の性能を示すか？

主な発見

• 提案モデルは、実世界の交通フローデータにおいて優れた異常検出性能を達成し、異常パターンの特定の有効性を実証している。
• 潜在変数拡張による外部要因の統合により、グラフダイナミクスへの文脈的影響への感受性が向上している。
• 累積ELBOの使用により、効率的なオンライン適応が可能となり、リアルタイム異常検出を支援している。
• GCNの統合により、空間的依存関係が効果的に捉えられ、局所的異常の検出能力が向上している。
• RNNと変分推論の組み合わせにより、グラフ構造データにおける複雑な時間的系列の頑健なモデル化が可能になっている。