[論文レビュー] TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks

Alexander Geiger, Dongyu Liu+3 more|arXiv (Cornell University)|Sep 16, 2020

Anomaly Detection Techniques and Applications被引用数 4

ひとこと要約

TadGANは、LSTMベースの生成器と評価者を用いたGANベースのフレームワークを提案し、サイクル整合性と再構成誤差の計算を組み合わせることで、教師なし時系列異常検出を実現する。F1スコアの平均値が11のデータセットで最高となり、ウィンドウベースの再構成誤差と評価者出力を乗算することで、誤検出を顕著に低減する。

ABSTRACT

Time series anomalies can offer information relevant to critical situations facing various fields, from finance and aerospace to the IT, security, and medical domains. However, detecting anomalies in time series data is particularly challenging due to the vague definition of anomalies and said data's frequent lack of labels and highly complex temporal correlations. Current state-of-the-art unsupervised machine learning methods for anomaly detection suffer from scalability and portability issues, and may have high false positive rates. In this paper, we propose TadGAN, an unsupervised anomaly detection approach built on Generative Adversarial Networks (GANs). To capture the temporal correlations of time series distributions, we use LSTM Recurrent Neural Networks as base models for Generators and Critics. TadGAN is trained with cycle consistency loss to allow for effective time-series data reconstruction. We further propose several novel methods to compute reconstruction errors, as well as different approaches to combine reconstruction errors and Critic outputs to compute anomaly scores. To demonstrate the performance and generalizability of our approach, we test several anomaly scoring techniques and report the best-suited one. We compare our approach to 8 baseline anomaly detection methods on 11 datasets from multiple reputable sources such as NASA, Yahoo, Numenta, Amazon, and Twitter. The results show that our approach can effectively detect anomalies and outperform baseline methods in most cases (6 out of 11). Notably, our method has the highest averaged F1 score across all the datasets. Our code is open source and is available as a benchmarking tool.

研究の動機と目的

• ラベルなしデータと複雑な時系列相関の存在下における教師なし時系列異常検出の課題に対処すること。
• 高誤検出率や一般化性能の低さといった従来のディープラーニング手法の限界を、GANと再構成ベースの異常スコアリングを統合することで克服すること。
• 点ごとの誤差とウィンドウベースの誤差を乗算することで評価者出力と複数の再構成誤差タイプを統合し、異常検出のロバスト性を向上させること。
• 時系列異常検出手法を評価するためのモジュラでオープンソースのベンチマークフレームワークを構築すること。
• 再構成信号と敵対的信号の後処理統合が、単独でいずれかのコンポonentに依存するよりも優れた性能を発揮することを実証すること。

提案手法

• 時系列データの時系列依存性をモデル化するために、LSTMベースの生成器と評価者を採用する。
• 再構成の正確性を向上させるとともに時系列の一貫性を保証するため、サイクル整合性損失を実装する。
• 点ごとの誤差とウィンドウベースの誤差の両方を用いて再構成誤差を計算し、動的時系列適合（DTW）が優れた性能を示す。
• 評価者スコアと再構成誤差を乗算することで統合し、異常スコアの増幅と安定性の向上を実現する。
• 任意の再構成ベースの時系列モデルに統合可能なモジュラ設計を採用する。
• 段階的な異常スコアリングパイプラインを適用：入力を生成器で再構成し、評価者で誤差を計算し、最終的な異常検出のためのスコアを統合する。

実験結果

リサーチクエスチョン

• RQ1 GANベースのフレームワークは、ラベルなし時系列データにおける点異常および集団異常を効果的に検出できるか？
• RQ2 再構成誤差と評価者出力を統合することで、単独で使用する場合と比較して異常検出性能がどのように向上するか？
• RQ3 点ごとの誤差とウィンドウベースの誤差のうち、どちらの再構成誤差計算方法がよりロバストで正確な異常検出をもたらすか？
• RQ4 乗算による統合が凸結合に比べ、F1スコアと安定性の面で優れているか？
• RQ5 TadGANは、航空宇宙、金融、クラウドコンピューティングなどの多様な分野から得られた実世界のデータセットに一般化可能か？

主な発見

• TadGANは11のすべてのデータセットで最高の平均F1スコア（0.629）を達成し、全8つのベースライン手法を上回った。
• 評価者スコアとウィンドウベースの再構成誤差（特にDTW）の組み合わせが最良の性能を示し、F1スコアは0.629であった。
• 再構成誤差と評価者スコアの乗算が凸結合を常に上回り、より高いF1スコアと低い標準偏差を達成した。
• 評価者スコアのみを用いた場合、一部のデータセット（例：A4, A3）で高いばらつきと低性能を示し、平均F1スコアは0.393であった。
• MSLデータセットにおいて、ウィンドウベースの再構成誤差（DTW）のみでF1スコアは0.514であったが、統合スコアでは0.623に向上した。
• TadGANは11のデータセットのうち6つでベースラインを上回り、優れた一般化性能とロバスト性を示した。