[논문 리뷰] Anomaly Detection on Graph Time Series

Daniel Hsu|arXiv (Cornell University)|2017. 08. 09.

Anomaly Detection Techniques and Applications참고 문헌 29인용 수 5

한 줄 요약

이 논문은 시간에 따라 변화하는 그래프 시계열에서 이상 현상을 탐지하기 위해 순환 신경망과 그래프 컨volution 네트워크를 통합한 변분 순환 신경망을 제안한다. 이는 RNN를 통해 시간 동적을 모델링하고 변분 추론을 활용하며, 그래프 컨볼루션을 통해 공간적 종속성을 포착한다. 외부 요소는 잠재 변수 특징 증강을 통해 효과적으로 통합되며, 교통 흐름 데이터에서 뛰어난 성능을 보이며 강력한 이상 탐지 능력을 입증한다.

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.

연구 동기 및 목표

• 시간에 따라 변화하는 동적 그래프에서 이상을 탐지하는 과제를 해결하기 위해.
• 순환 신경망과 변분 추론을 결합하여 그래프 시계열의 복잡한 시간적 상관관계를 모델링하기 위해.
• 그래프 노드 간의 공간적 종속성을 그래프 컨volution 네트워크를 통해 포착하기 위해.
• 잠재 변수 특징 증강을 통해 외부 영향 요인을 이상 탐지 과정에 통합하기 위해.
• 누적 증거 하한 경계(ELBO)로 목적 함수를 설정하여 온라인 이상 탐지 기능을 가능하게 하기 위해.

제안 방법

• 모델은 잠재 변수 전이를 통해 그래프 시계열의 시간적 종속성을 포착하기 위해 변분 순환 신경망(VRNN)을 사용한다.
• 그래프 구조 내 노드 간의 공간적 관계를 인코딩하기 위해 그래프 컨volution 네트워크(GCNs)를 사용한다.
• 외부 요소는 특징 추출기를 사용하여 잠재 변수 전이 동역학을 증강함으로써 통합된다.
• 목적 함수는 누적 증거 하한 경계(ELBO)로 정의되며, 효율적인 훈련과 온라인 확장 가능성을 보장한다.
• 재구성 및 잠재 변수 정규성 최적화를 위해 백프로파게이션 스루 타임을 사용하여 엔드 투 엔드로 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 그래프 시계열의 시간적 종속성은 어떻게 효과적으로 이상 탐지에 모델링될 수 있는가?
• RQ2 그래프 노드 간의 공간적 상관관계는 이상 탐지 성능 향상에 어느 정도 기여하는가?
• RQ3 잠재 공간에 외부 요소를 의미 있게 통합함으로써 탐지 정확도를 향상시킬 수 있는가?
• RQ4 제안된 모델은 온라인 이상 탐지 설정으로 확장될 수 있는가?
• RQ5 기본 모델 대비 실제 교통 흐름 데이터에서 모델의 성능은 어떻게 되는가?

주요 결과

• 제안된 모델은 실제 교통 흐름 데이터에서 뛰어난 이상 탐지 성능를 보이며, 비정상 패턴을 식별하는 데 효과적임을 입증한다.
• 잠재 변수 증강을 통한 외부 요소 통합은 그래프 동역학에 대한 맥락적 영향에 대한 모델의 민감도를 향상시킨다.
• 누적 ELBO의 사용은 효율적인 온라인 적응을 가능하게 하며, 실시간 이상 탐지 지원에 기여한다.
• GCN의 통합은 공간적 종속성을 효과적으로 포착하여 局소 이상 탐지 능력을 향상시킨다.
• RNN와 변분 추론의 조합은 그래프 구조 데이터에서 복잡한 시간적 시퀀스를 견고하게 모델링할 수 있다.