[논문 리뷰] Anomaly Detection in Univariate Time-series: A Survey on the State-of-the-Art

Mohammad Braei, Sebastian Wagner|arXiv (Cornell University)|2020. 04. 01.

Anomaly Detection Techniques and Applications참고 문헌 90인용 수 154

한 줄 요약

이 설문은 단변량 시계열의 이상 탐지를 위해 통계학, 고전 ML, 딥러닝 접근법을 비교하고, 정확도와 실행 시간 측면에서 공개 데이터셋에서 20개 방법을 평가한다.

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.

연구 동기 및 목표

• 시계열 이상 탐지 방법에 대해 폭넓고 범주 간의 평가 필요성을 동기 부여한다.
• 단변량 시계열에서 통계적, 고전 ML, 신경망 접근법을 비교한다.
• 다양한 데이터 특성에 따른 방법의 적합성과 성능 트레이드오프에 대한 통찰을 제공한다.

제안 방법

• 기본 개념: 이상값, 시계열, 이상값의 유형, 그리고 평가 프레이밍을 논의한다.
• 이상 탐지 방법을 통계적, 고전 ML, 신경망 기반 방식으로 소개하고 분류한다.
• 공정한 비교를 보장하기 위한 데이터셋 사용 및 하이퍼파라미터를 포함한 평가 설정을 설명한다.
• 각 범주 내 대표적 방법을 요약한다(예: AR/ARMA/ARIMA, SES/TES/DES, 클러스터링 및 One-Class SVM, 자동인코더, GANs).
• 단변량 시계열에 대해 예측 기반 탐지와 형태 기반 탐지가 어떻게 적용되는지 분석한다.

실험 결과

연구 질문

• RQ1 단변량 시계열 이상 탐지에서 통계적, 고전 ML, 딥러닝 방법의 상대적인 정확도는 무엇인가?
• RQ2 벤치마크 데이터셋에서 방법 계통 간 계산 시간은 어떻게 비교되는가?
• RQ3 어떤 데이터 특성(정상성, 계절성, 윈도잉)이 특정 이상 탐지 접근법에 유리하게 작용하는가?
• RQ4 단변량 시계열에 이 방법들을 적용할 때의 실제 고려사항(감독학습 vs. 반감독학습 vs. 무감독학습)은 무엇인가?

주요 결과

• 본 논문은 여러 데이터셋에서 세 가지 방법 범주 간의 정량적 비교를 제공한다.
• 정확도와 계산 시간을 모두 분석하여 성능 트레이드오프를 도출한다.
• 다양한 데이터 특성과 이상 유형(점, 집합, 맥락)에 대한 방법의 적합성을 논의한다.
• 성능이 모델 선택에 의존한다는 점을 강조한다(예: AR 대 ARMA 대 ARIMA, SES/DES/TES, 클러스터링 대 밀도 기반 방법).
• 단일 최적의 접근법은 없으며, 효과는 데이터에 의존하고 예측 기반 탐지 대 형태 기반 탐지 전략과 연결되어 있음을 강조한다.