[論文レビュー] Entropy Causal Graphs for Multivariate Time Series Anomaly Detection

Falih Gozi Febrinanto, Kristen Moore+5 more|arXiv (Cornell University)|Dec 15, 2023

Anomaly Detection Techniques and Applications被引用数 5

ひとこと要約

本稿では、相互変数間の因果関係をモデル化するための推移エントロピーを用いた因果グラフを構築し、因果畳み込みを備えたグラフ畳み込みネットワークを適用することで時系列的ダイナミクスを捉え、中央絶対偏差で正規化したスコアリングにより異常を検出する、新たな多次元時系列異常検知フレームワークCGADを提案する。CGADは、実世界のデータセットにおいて3つの指標で最先端手法を平均15%上回る性能を達成した。

ABSTRACT

Many multivariate time series anomaly detection frameworks have been proposed and widely applied. However, most of these frameworks do not consider intrinsic relationships between variables in multivariate time series data, thus ignoring the causal relationship among variables and degrading anomaly detection performance. This work proposes a novel framework called CGAD, an entropy Causal Graph for multivariate time series Anomaly Detection. CGAD utilizes transfer entropy to construct graph structures that unveil the underlying causal relationships among time series data. Weighted graph convolutional networks combined with causal convolutions are employed to model both the causal graph structures and the temporal patterns within multivariate time series data. Furthermore, CGAD applies anomaly scoring, leveraging median absolute deviation-based normalization to improve the robustness of the anomaly identification process. Extensive experiments demonstrate that CGAD outperforms state-of-the-art methods on real-world datasets with a 9% average improvement in terms of three different multivariate time series anomaly detection metrics.

研究の動機と目的

• 既存の多次元時系列異常検知手法が変数間の因果関係を無視するという限界を是正し、検知性能の低下を防ぐこと。
• 情報理論的測度を用いて、時系列変数間の因果的依存関係を明示的にモデル化するフレームワークの開発。
• 因果グラフ構造と時系列モデリング、中央偏差ベースのスコアリングを統合することで、異常検知のロバスト性と解釈可能性を向上させること。
• 複数の評価指標を用いて、実世界の多次元時系列データセットにおいて最先端手法を上回ること。

提案手法

• 推移エントロピーを用いて、変数間の方向性のある情報フローを定量化し、因果関係を推定することで、時系列変数間の因果グラフを構築する。
• 学習された因果グラフ内の構造的依存関係をモデル化するために、重み付きグラフ畳み込みネットワーク（GCN）を採用する。
• 長距離の時系列的依存関係と順序パターンを捉えるために、因果畳み込みを統合する。
• 予測値と実測値の再構成誤差を異常スコアとする予測ベースの異常検知戦略を適用する。
• 外れ値や分布シフトに対してロバストになるよう、中央絶対偏差（MAD）を用いて異常スコアを正規化する。
• 各タイムスタンプにおける全センサーのノードレベル異常スコアの最大値をとることで、ノードレベルのスコアを統合し、集団的システムレベルのスコアを算出する。

Figure 1. An illustration of the proposed framework. The CGAD process begins with causal graph generation based on transfer entropy (Schreiber, 2000 ) to establish causal relationships in multivariate time series data. Weighted GNN forecasting is then performed for single-step forecasting, followed

実験結果

リサーチクエスチョン

• RQ1 因果関係を無視する手法と比較して、推移エントロピーを用いた因果グラフ構築が、多次元時系列異常検知性能を向上させるか。
• RQ2 因果畳み込みを備えたグラフニューラルネットワークが、多次元時系列における構造的および時系列的依存関係を、異常検知の文脈でどれほど効果的にモデル化できるか。
• RQ3 中央絶対偏差（MAD）ベースの正規化が、実世界のノイズの多いデータセットにおける異常スコアリングのロバスト性をどの程度向上させるか。
• RQ4 F1スコア、コンposite F1スコア、ポイント調整済F1スコアといった複数の評価指標において、CGADは最先端手法をどの程度上回るか。

主な発見

• CGADは、実世界の多次元時系列データセットにおいて、F1、F1c、F1PAという3つの評価指標で、最先端手法を平均15%上回る異常検知性能を達成した。
• 推移エントロピーを用いた因果グラフ構築により、ヒューリスティック的または学習されたグラフ構造よりも、解釈可能性が高く、変数間の依存関係のモデル化がより正確になった。
• 既知の異常イベント時にノードレベルの異常スコアが急激に上昇し、システム内での故障したセンサーや変数の正確な特定が可能になった。
• 各タイムスタンプにおけるノードレベルスコアの最大値として算出される集団的異常スコアは、異常発生時に効果的にアラームを発動し、正解の異常期間（例：SMDデータセットの15900–16400および17000–17500）と明確に一致した。
• MAD正規化スコアリング機構により、外れ値や分布シフトに対する感受性が低下し、実世界データにおけるロバスト性が向上した。

Figure 2. Temporal convolution and dilated inception layer.