[논문 리뷰] Graph Anomaly Detection in Time Series: A Survey

Thi Kieu Khanh Ho, Ali Karami외 1명|arXiv (Cornell University)|2023. 01. 31.

Anomaly Detection Techniques and Applications인용 수 10

한 줄 요약

그래프 기반 시계열 이상 탐지(G-TSAD)를 소개하고, 방법을 AE-, GAN-, 예측 기반, 자기지도 학습 기반으로 분류하며, 도전 과제와 향후 방향을 논의하는 포괄적 고찰.

ABSTRACT

With the recent advances in technology, a wide range of systems continue to collect a large amount of data over time and thus generate time series. Time-Series Anomaly Detection (TSAD) is an important task in various time-series applications such as e-commerce, cybersecurity, vehicle maintenance, and healthcare monitoring. However, this task is very challenging as it requires considering both the intra-variable dependency (relationships within a variable over time) and the inter-variable dependency (relationships between multiple variables) existing in time-series data. Recent graph-based approaches have made impressive progress in tackling the challenges of this field. In this survey, we conduct a comprehensive and up-to-date review of TSAD using graphs, referred to as G-TSAD. First, we explore the significant potential of graph representation for time-series data and and its contributions to facilitating anomaly detection. Then, we review state-of-the-art graph anomaly detection techniques, mostly leveraging deep learning architectures, in the context of time series. For each method, we discuss its strengths, limitations, and the specific applications where it excels. Finally, we address both the technical and application challenges currently facing the field, and suggest potential future directions for advancing research and improving practical outcomes.

연구 동기 및 목표

• 시계열 이상 탐지에서 변수 내 의존성(intra-variable)과 변수 간 의존성(inter-variable)을 모델링할 필요성을 동기 부여한다.
• 시계열 데이터에 대한 그래프 표현을 소개하고 그래프가 시간에 따른 변수 간 상호작용을 어떻게 포착하는지 정의한다.
• 최신 G-TSAD 방법에 대한 구조화된 리뷰를 제공하고 이를 네 가지 계열로 분류한다.
• G-TSAD의 도전과제, 한계, 그리고 향후 방향을 논의하여 연구를 유도한다.

제안 방법

• 시계열 그래프 집합 G = {G_j, Sim{G_j, G_j'} }을 정의하되 G_j = {M_j, A_j}이며 M_j은 노드 특징 행렬이고 A_j는 간선 특징 행렬이다.
• 변수 내 의존성과 변수 간 의존성을 정의하고 그래프가 이러한 의존성을 어떻게 모델링하는지 설명한다.
• 손실 함수를 기준으로 G-TSAD 방법을 네 가지 범주로 분류한다: Autoencoder(AE)-기반, GAN기반, 예측 기반, 그리고 자기지도 학습 방법.
• 노드/에지 및 인접 패턴에서 학습된 대표적인 그래프 표현을 설명하고 이상 점수가 어떻게 도출되는지 논의한다.
• 대부분의 방법이 정상 데이터로 학습하고 이상 데이터로 평가한다는 점을 논의하며, 비지도 이상탐지를 강조한다.
• 확대성, 해석가능성, Sim 기반 및 다중 객체 이상 탐지를 포착하는 데의 도전 과제를 포함하여 현재 접근법의 한계점을 강조한다.

실험 결과

연구 질문

• RQ1 그래프가 시계열 데이터에서 변수 내 의존성과 변수 간 의존성을 이상 탐지를 위해 어떻게 효과적으로 부호화할 수 있는가?
• RQ2 G-TSAD 방법의 주요 범주는 무엇이며 각각의 강점과 한계는 무엇인가?
• RQ3 G-TSAD에서의 주요 그래프 이상 유형은 무엇이며 어떻게 탐지할 수 있는가(노드, 에지, 서브그래프, 그래프, Sim 기반)?
• RQ4 그래프 기반 TSAD의 주요 도전과제와 향후 방향은?
• RQ5 현재의 다른 설문조사에 비해 G-TSAD를 얼마나 폭넓게 다루고 있는가 GA, TSAD, GAD에 비해?

주요 결과

• 그래프 표현은 시계열 데이터의 변수 간 의존성을 포착할 수 있게 하여, 변수 내 정보만을 사용하는 방법에 비해 이상 탐지를 향상시킨다.
• G-TSAD 방법은 네 가지 가족으로 분류되며: AE 기반, GAN 기반, 예측 기반, 자기지도 학습으로, 각각 고유한 인코더–디코더 또는 대립적 구조를 갖는다.
• 대표적인 G-TSAD 접근법은 그래프 학습을 다양한 생성적 또는 예측 프레임워크와 통합하여, VAE, NF, 그래프 신경망 등을 포함해 복잡한 의존성을 모델링한다.
• 현 방법으로 모든 이상 유형(노드, 에지, 서브그래프, 그래프, 및 Sim 기반)을 완전히 탐지하는 데에는 한계가 있으며, 다중 객체 동시 이상에 초점을 맞춘 연구는 많지 않다; 실제 문제로는 데이터 요구사항, 확장성, 해석가능성이 포함된다.
• 대부분의 연구는 정상 데이터로 학습하고 이상 인스턴스로 평가하므로 비지도 이상 탐지 설정을 강조한다.