[論文レビュー] Anomaly Detection using Deep Autoencoders for in-situ Wastewater Systems Monitoring Data

Stefania Russo, Andy Disch+2 more|arXiv (Cornell University)|Feb 7, 2020

Anomaly Detection Techniques and Applications参考文献 19被引用数 26

ひとこと要約

本論文では、再構成誤差を活用して多次元のイン・サイト・廃水モニタリングデータにおける異常を検出するため、1次元畳み込みニューラルネットワークに基づく深層オートエンコーダーを提案する。この手法は、複雑な時系列データにおける異常パターンを効果的に特定でき、実世界の異常をラベル付けすることが難しい課題にもかかわらず、ドメインスペシャリストがデータ品質を維持するのを支援する。

ABSTRACT

Due to the growing amount of data from in-situ sensors in wastewater systems, it becomes necessary to automatically identify abnormal behaviours and ensure high data quality. This paper proposes an anomaly detection method based on a deep autoencoder for in-situ wastewater systems monitoring data. The autoencoder architecture is based on 1D Convolutional Neural Network (CNN) layers where the convolutions are performed over the inputs across the temporal axis of the data. Anomaly detection is then performed based on the reconstruction error of the decoding stage. The approach is validated on multivariate time series from in-sewer process monitoring data. We discuss the results and the challenge of labelling anomalies in complex time series. We suggest that our proposed approach can support the domain experts in the identification of anomalies.

研究の動機と目的

• 増加するイン・サイトセンサーからのデータに起因する廃水システムにおけるデータ品質の維持という、増大する課題に対処すること。
• 下水道モニタリングからの複雑な多次元時系列データに適した自動異常検出手法を開発すること。
• 手動によるラベル付けに依存しないように、異常行動の教師なし検出を可能にすること。
• ドメインスペシャリストがデータ異常を効率的に特定および診断できるように支援すること。

提案手法

• 1次元畳み込み層を用いて、多次元センサー時系列データの時間的系列を処理する深層オートエンコーダーのアーキテクチャを構築する。
• モデルは復元段階で入力データを再構成し、再構成誤差を異常スコアとして使用する。
• 時系列データ内の空間的・時間的依存関係を捉えるために、時間軸に沿って畳み込み演算を適用する。
• 通常のデータ上でエンド・トゥ・エンドに訓練することで、通常のシステム行動のコンact表現を学習する。
• 再構成誤差が事前に定めたしきい値を超えた場合に異常を検出する。これは、通常パターンからの逸脱を示している。
• 本手法は、実世界の下水道モニタリングデータを用いて評価され、複雑で高次元の時系列データにおいても頑健な性能を示した。

実験結果

リサーチクエスチョン

• RQ1 1次元畳み込みニューラルネットワークに基づく深層オートエンコーダーは、多次元廃水モニタリングデータにおける異常検出にどの程度効果的か？
• RQ2 豊富なラベル付きデータを必要とせずに、深層オートエンコーダーの再構成誤差が異常行動を信頼性高く特定できるか？
• RQ3 実世界の廃水時系列データにおける異常ラベル付けの実際的な課題は何か。また、教師なし手法はそれらをどのように軽減できるか？
• RQ4 この手法は、ドメインスペシャリストがデータ品質の問題を診断するのをどの程度支援できるか？

主な発見

• 提案された深層オートエンコーダーは、再構成誤差を検出指標として用いることで、多次元のイン・サイト廃水モニタリングデータにおける異常パターンを効果的に特定した。
• 手動によるラベル付けが非現実的な複雑な実世界の時系列データにおいても、本手法は頑健な性能を示した。
• 豊富なラベル付き異常データの必要性が低減され、効果的な教師なし異常検出が可能になった。
• 本手法は、ドメインスペシャリストが潜在的なデータ品質の問題を特定できるように支援し、システム監視の効率性を向上させた。