[论文解读] Anomaly Detection on Graph Time Series

Daniel Hsu|arXiv (Cornell University)|Aug 9, 2017

Anomaly Detection Techniques and Applications参考文献 29被引用 5

一句话总结

该论文提出了一种将变分循环神经网络与图卷积网络相结合的模型，通过RNN和变分推断建模时间动态，并通过图卷积捕捉空间依赖关系，以检测图时间序列中的异常。该方法通过潜在变量特征增强有效整合外部因素，在交通流数据上表现出色，展示了强大的异常检测能力。

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.

研究动机与目标

• 解决动态图随时间演变过程中检测异常的挑战。
• 通过结合循环神经网络与变分推断，对图时间序列中的复杂时间相关性进行建模。
• 通过图卷积网络捕捉图节点之间的空间依赖关系。
• 通过潜在变量特征增强，将外部影响因素整合到异常检测过程中。
• 通过将目标函数定义为累积证据下界（ELBO），实现在线异常检测。

提出的方法

• 该模型采用变分循环神经网络（VRNN）通过潜在变量转移捕捉图时间序列中的时间依赖性。
• 图卷积网络（GCNs）用于编码图结构中节点之间的空间关系。
• 通过使用特征提取器增强潜在变量转移动态，将外部因素整合进来。
• 目标函数定义为累积证据下界（ELBO），支持高效训练和在线扩展。
• 通过时间反向传播端到端训练模型，优化重构损失和潜在变量正则性。

实验结果

研究问题

• RQ1 如何有效建模图时间序列中的时间依赖性以实现异常检测？
• RQ2 图节点间空间相关性在多大程度上能提升异常检测性能？
• RQ3 能否有意义地将外部因素整合到潜在空间中以提高检测准确性？
• RQ4 所提出的模型能否扩展到在线异常检测设置？
• RQ5 与基线方法相比，该模型在真实世界交通流数据上的表现如何？

主要发现

• 所提出的模型在真实世界交通流数据上实现了优异的异常检测性能，有效识别出异常模式。
• 通过潜在变量增强整合外部因素，提升了模型对图动态中上下文影响的敏感性。
• 采用累积ELBO支持高效在线自适应，实现实时异常检测。
• GCN的集成有效捕捉了空间依赖关系，增强了模型检测局部异常的能力。
• RNN与变分推断的结合使得复杂图结构数据中的时间序列建模更加稳健。