[논문 리뷰] Nominality Score Conditioned Time Series Anomaly Detection by Point/Sequential Reconstruction

Chih-Yu Lai, Fan-Keng Sun외 3명|arXiv (Cornell University)|2023. 10. 24.

Anomaly Detection Techniques and Applications인용 수 11

한 줄 요약

본 논문은 점 기반 재구성과 시퀀스 기반 재구성을 결합하여 시계열에서 점 이상치와 맥락 이상치를 모두 탐지하는 프레임워크인 NPSR을 제안하며, 명목성 점수로 조건화하여 향상된 이상치 점수를 유도한다.

ABSTRACT

Time series anomaly detection is challenging due to the complexity and variety of patterns that can occur. One major difficulty arises from modeling time-dependent relationships to find contextual anomalies while maintaining detection accuracy for point anomalies. In this paper, we propose a framework for unsupervised time series anomaly detection that utilizes point-based and sequence-based reconstruction models. The point-based model attempts to quantify point anomalies, and the sequence-based model attempts to quantify both point and contextual anomalies. Under the formulation that the observed time point is a two-stage deviated value from a nominal time point, we introduce a nominality score calculated from the ratio of a combined value of the reconstruction errors. We derive an induced anomaly score by further integrating the nominality score and anomaly score, then theoretically prove the superiority of the induced anomaly score over the original anomaly score under certain conditions. Extensive studies conducted on several public datasets show that the proposed framework outperforms most state-of-the-art baselines for time series anomaly detection.

연구 동기 및 목표

• 비지도 학습 방식의 시계열 이상 탐지를 통해 점 이상치와 맥락 이상치를 모두 처리할 수 있도록 한다.
• 시계열에서 정상 편차와 이상 편차를 구별하는 명목성 점수를 개발한다.
• 점 기반과 시퀀스 기반의 통찰을 융합한誘향된 이상치 점수를 제안한다.
• 노출된 조건에서诱향된 이상치 점수가 원래의 이상치 점수보다 우수할 수 있음을 보인다.
• 최신의 베이스라인과 비교하여 실제 데이터와 합성 데이터에서 NPSR을 실험적으로 검증한다.

제안 방법

• 관측 데이터가 정상 프로세스로부터의 편차로 간주되고, 편차를 분포 내(in-distribution; 맥락적)와 분포 밖(out-of-distribution; 점적) 구성요소로 분해하는 명목적 시간 시계열 프레임워크를 정의한다.
• 명목성 점수 N(t)를 맥락 내 편차의 제곱 노름의 총 편차에 대한 비율로 계산한다. N(t) = ||Δx^c_t||^2 / ||Δx^0_t||^2.
• 점 기반 재구성을 간단한 Performer 기반 오토인코더 M_pt로 추정하여 x̂^c_t를 얻고 점 기반 이상치 A(t) = ||x̂^c_t − x^0_t||^2를 계산한다.
• Performer 기반의 스택형 인코더 M_seq를 사용하여 시퀀스 기반의 명목적 동작을 추정하고 이를 nominal trajectory X^*._과 관련지어진다.
• 노멸성 정보를 가진 게이트 g_{N}(N)로 A를 스무딩하고 게이팅하여 시간 창 길이 d의 유도(Induction) 길이를 통해 ÊA(t) = Στ A(t;τ)이며 A(t;τ) = A(τ) ∏ g_N(N(k))를 생성한다.
• 명목성 점수(N)에 조건화된 소프트 및 하드 게이트 조건하에서 유도 점수가 원래 점수과 같거나 그 이상일 수 있음을 보이고, N이 유의미할 때를 보인다.

실험 결과

연구 질문

• RQ1 명목성 점수가 시계열에서 정상 맥락과 실제 이상치를 효과적으로 구분할 수 있는가?
• RQ2 점 기반 재구성 및 시퀀스 기반 재구성을 명목성 조건화 유도와 결합하면 이상 탐지 성능이 향상되는가?
• RQ3 유도된 이상치 점수가 원래의 이상치 점수나 단순 스무딩보다 우수한 조건은 무엇인가?
• RQ4 NPSR은 단일 엔터티 및 다중 엔터티 시계열 데이터세트에서 최신의 베이스라인과 비교하여 어떻게 성능이 나타나는가?

주요 결과

• NPSR은 여러 공개 데이터셋에서 대부분의 최신 베이스라인을 지속적으로 능가하며 점 이상치와 맥락 이상치 모두에 대해 강력한 결과를 보인다.
• 간단한 점 기반 모델(M_pt)은 경쟁력 있는 성능을 달성할 수 있으며, 유도 점수를 통해 시퀀스 기반 재구성(M_seq)을 통합하면 맥락 이상치 탐지가 향상되며 점 이상치 탐지는 손실 없이 유지된다.
• 명목성 점수(N)에 조건화된 소프트/하드 게이트 변형은 F1* 및 강건성을 향상시킬 수 있으며, N의 98.5백분위 임계값은 데이터셋 전반에서 잘 작동한다.
• 원래 이상치 점수 A(t)를 스무딩한 것도(A가 ÊA의 특별한 경우) AUC 및 F1*를 다수의 데이터셋에서 향상시킨다.
• 이론적 분석은 재구성을 이상치를 정상 시점으로 고정하는 방식으로 프레이밍하고, ÊA가 주어진 조건 하에서 A보다 낫지 않음을 증명한다.