[論文レビュー] Graph Anomaly Detection in Time Series: A Survey

Thi Kieu Khanh Ho, Ali Karami+1 more|arXiv (Cornell University)|Jan 31, 2023

Anomaly Detection Techniques and Applications被引用数 10

ひとこと要約

包括的な調査 Graph-based Time-Series Anomaly Detection (G-TSAD) を紹介し、手法を AE-, GAN-, predictive-, self-supervised-based approaches に分類し、課題と今後の方向性を論じる。

ABSTRACT

With the recent advances in technology, a wide range of systems continue to collect a large amount of data over time and thus generate time series. Time-Series Anomaly Detection (TSAD) is an important task in various time-series applications such as e-commerce, cybersecurity, vehicle maintenance, and healthcare monitoring. However, this task is very challenging as it requires considering both the intra-variable dependency (relationships within a variable over time) and the inter-variable dependency (relationships between multiple variables) existing in time-series data. Recent graph-based approaches have made impressive progress in tackling the challenges of this field. In this survey, we conduct a comprehensive and up-to-date review of TSAD using graphs, referred to as G-TSAD. First, we explore the significant potential of graph representation for time-series data and and its contributions to facilitating anomaly detection. Then, we review state-of-the-art graph anomaly detection techniques, mostly leveraging deep learning architectures, in the context of time series. For each method, we discuss its strengths, limitations, and the specific applications where it excels. Finally, we address both the technical and application challenges currently facing the field, and suggest potential future directions for advancing research and improving practical outcomes.

研究の動機と目的

• Time-series anomaly detection における時系列内変数間および変数間依存性をモデル化する必要性を動機づける。
• 時系列データのグラフ表現を導入し、グラフが時間を超えて変数の相互作用をどのように捉えるかを定義する。
• 最先端の G-TSAD 手法の構造的なレビューを提供し、それらを4つのファミリーに分類する。
• 研究を指針とする課題、制限、および今後の方向性を議論する。

提案手法

• 時間系列グラフ集合 G = {G_j, Sim{G_j, G_j'} } を定義し、G_j = {M_j, A_j} かつ M_j がノード特徴行列、A_j がエッジ特徴行列である。
• 変数内依存性と変数間依存性を定義し、グラフがこれらの依存性をどのようにモデル化するかを説明する。
• ロス関数に基づく4分類: Autoencoder (AE)-based、GAN-based、predictive-based、self-supervised methods。
• ノード/エッジと隣接パターンから学習された代表的なグラフ表現を説明し、異常スコアがどのように導出されるかを議論する。
• ほとんどの手法が正常データで学習し、異常データで評価することを説明し、教師なし異常検知を強調する。
• 現在のアプローチの制限として、スケーラビリティ、解釈性、Sim-based およびマルチオブジェクト異常を捉える課題を強調する。

実験結果

リサーチクエスチョン

• RQ1 時系列データにおいてグラフは内在変数依存性と変数間依存性を異常検知のために効果的に符号化できるか？
• RQ2 G-TSAD 手法の主なカテゴリは何で、それぞれの長所と限界は何か？
• RQ3 G-TSAD における主なグラフ異常のタイプにはどのようなものがあり、それらはノード、エッジ、サブグラフ、グラフ（Sim-based）としてどのように検出できるか？
• RQ4 グラフベース TSAD における主要な課題と今後の方向性は何か？
• RQ5 現在の調査は GA、TSAD、GAD と比較して G-TSAD をどの程度カバーしているか？

主な発見

• グラフ表現は時系列データの変数間依存性を捉え、内在変数情報のみを用いる方法より異常検知を改善する。
• G-TSAD 手法は4つのファミリー（AEベース、GANベース、予測ベース、自己教師あり）に分類され、それぞれに固有のエンコーダ-デコーダまたは対抗構造を持つ。
• 代表的な G-TSAD アプローチは、VAE、NF、グラフニューラルネットワークを含む、複雑な依存関係をモデル化するためにグラフ学習をさまざまな生成・予測フレームワークと統合する。
• 現行手法でノード、エッジ、サブグラフ、Sim-based のすべての異常タイプを完全に検出するには課題があり、同時に複数オブジェクト異常を対象とした研究は少ない。実務的な問題にはデータ要件、スケーラビリティ、解釈性が含まれる。
• ほとんどの研究は正常データで学習し、異常事例で評価しており、教師なし異常検知設定を浮き彫りにしている。