[논문 리뷰] Deep Learning for Time Series Anomaly Detection: A Survey

Zahra Zamanzadeh Darban, Geoffrey I. Webb외 3명|arXiv (Cornell University)|2022. 11. 09.

Anomaly Detection Techniques and Applications참고 문헌 182인용 수 74

한 줄 요약

본 조사는 시계열 이상 탐지를 위한 딥러닝 방법의 포괄적 분류체계와 최신 기술 동향을 제시하며, 예측 기반, 복원 기반, 하이브리드 기반 접근법, 데이터셋, 평가 관행을 비교합니다.

ABSTRACT

Time series anomaly detection has applications in a wide range of research fields and applications, including manufacturing and healthcare. The presence of anomalies can indicate novel or unexpected events, such as production faults, system defects, or heart fluttering, and is therefore of particular interest. The large size and complex patterns of time series have led researchers to develop specialised deep learning models for detecting anomalous patterns. This survey focuses on providing structured and comprehensive state-of-the-art time series anomaly detection models through the use of deep learning. It providing a taxonomy based on the factors that divide anomaly detection models into different categories. Aside from describing the basic anomaly detection technique for each category, the advantages and limitations are also discussed. Furthermore, this study includes examples of deep anomaly detection in time series across various application domains in recent years. It finally summarises open issues in research and challenges faced while adopting deep anomaly detection models.

연구 동기 및 목표

• 시계열에 대한 딥 anomaly 탐지 모델의 새로운 분류체계를 제안하며, 예측 기반, 복원 기반, 하이브리드 방법으로 분류합니다.
• 단변량 및 다변량 시계열 이상 탐지에 사용되는 현재의 최첨단 모델, 아키텍처 및 학습 방식들을 검토합니다.
• 이 분야에서 사용되는 주된 벤치마크, 데이터셋 및 실용적 평가 프로토콜을 규명합니다.
• 시계열의 서로 다른 이상 유형 뒤의 기본 원리를 논의하고 도전 과제와 향후 연구 방향을 강조합니다.]
• method:["딥 타임시계열 이상 탐지 모델을 예측 기반, 복원 기반, 하이브리드 카테고리로 분류합니다.","주요 아키텍처(RNN, LSTM, CNN, GNN, GAN, VAE, Transformer) 및 입력 유형(단변량 vs 다변량)으로 모델을 추가로 세분화합니다.","학습 방식(감독 학습, 비감독 학습, 준지도 학습, 자기지도 학습)과 이상 점수가 도출되는 방법(예측 오차, 재구성 확률)을 설명합니다.","입력 처리 방식(포인트 대 서브시퀀스, 슬라이딩 윈도우) 및 출력 형태(이상 점수 대 이진 레이블)를 설명합니다.","해석 가능성 측정치 및 평가 프로토콜, 임계값 설정 전략 및 포인트 조정 고려사항을 논의합니다.","공개 데이터셋을 요약하고 구조화된 비교 프레임워크를 제공합니다(소스의 표 1 및 표 2)."]
• research_questions':['시계열 이상 탐지를 위한 딥러닝 모델의 포괄적 분류체계와 이들의 아키텍처적 특징은 무엇인가?','딥 타임시계열 이상 탐지 방법을 평가하는 데 사용되는 주요 데이터셋과 벤치마크는 무엇인가?','시계열 데이터에서 이상을 판단하는 데 사용되는 평가 프로토콜과 임계값은 무엇이며, 해석 가능성 고려가 실제에 어떤 영향을 미치는가?','시계열 데이터에 딥 이상 탐지를 적용하는 데 남아 있는 문제점, 도전과제 및 향후 방향은 무엇인가?]
• key_findings':['예측 기반, 복원 기반, 하이브리드 접근법으로 모델을 나누는 새로운 분류체계가 제안되며, 신경망 아키텍처별 하위 범주가 포함됩니다.','단변량 및 다변량 시계열에 걸친 최첨단 모델과 아키텍처(RNN, LSTM, CNN, GNN, GAN, VAE, Transformer)에 대한 포괄적 검토가 제공됩니다.','본 조사는 주요 벤치마크와 데이터셋을 모아 연구자들이 일반적으로 사용하는 소스와 하이퍼링크를 상세히 제공합니다.','학습 방식(감독 학습, 비감독 학습, 준지도 학습, 자기지도 학습)과 이상 점수의 일반적 도출 방식이 예측 오차나 재구성 확률에서 도출되는 방식으로 논의됩니다.','포인트 조정(PA) 및 PA%K 프로토콜과 같은 평가 관행이 논의되며, 엄격한 평가 없이는 F1 점수의 편향 가능성을 강조합니다.','시계열 데이터에 대해 심층 이상 탐지 도입의 열린 문제와 도전 과제를 식별하고, 향후 연구 방향을 제시합니다.]
• table_headers:[]
• table_rows:[]}]} } }`UBLIC? Wait final JSON must be proper. I included stray braces. Ensure valid JSON without extraneous. The top-level object is GeneratedReview. We must return as JSON object with fields as in schema. No extra quotes. Let's reconstruct properly. We'll output the object without extra trailing. Let's format correctly. I'll present as JSON string-like? The instruction says Output the SAME fields translated. The previous pattern used {

제안 방법

• ] etc. We'll provide valid JSON. Let's assemble cleanly.

실험 결과

연구 질문

• RQ1 시계열 이상 탐지를 위한 딥러닝 모델의 포괄적 분류체계와 이들의 아키텍처적 특징은 무엇인가?
• RQ2 딥 타임시계열 이상 탐지 방법을 평가하는 데 사용되는 주요 데이터셋과 벤치마크는 무엇인가?
• RQ3 시계열 데이터에서 이상을 판단하는 데 사용되는 평가 프로토콜과 임계값은 무엇이며, 해석 가능성 고려가 실제에 어떤 영향을 미치는가?
• RQ4 시계열 데이터에 딥 이상 탐지를 적용하는 데 남아 있는 문제점, 도전과제 및 향후 방향은 무엇인가?

주요 결과

• 예측 기반, 복원 기반, 하이브리드 접근법으로 모델을 나누는 새로운 분류체계가 제안되며, 신경망 아키텍처별 하위 범주가 포함됩니다.
• 단변량 및 다변량 시계열에 걸친 최첨단 모델과 아키텍처(RNN, LSTM, CNN, GNN, GAN, VAE, Transformer)에 대한 포괄적 검토가 제공됩니다.
• 본 조사는 주요 벤치마크와 데이터셋을 모아 연구자들이 일반적으로 사용하는 소스와 하이퍼링크를 상세히 제공합니다.
• 학습 방식(감독 학습, 비감독 학습, 준지도 학습, 자기지도 학습)과 이상 점수의 일반적 도출 방식이 예측 오차나 재구성 확률에서 도출되는 방식으로 논의됩니다.
• 포인트 조정(PA) 및 PA%K 프로토콜과 같은 평가 관행이 논의되며, 엄격한 평가 없이는 F1 점수의 편향 가능성을 강조합니다.
• 시계열 데이터에 대해 심층 이상 탐지 도입의 열린 문제와 도전 과제를 식별하고, 향후 연구 방향을 제시합니다.