[論文レビュー] Learning Ensembles of Anomaly Detectors on Synthetic Data

Dmitry Smolyakov, Nadezda Sviridenko+3 more|arXiv (Cornell University)|May 20, 2019

Anomaly Detection Techniques and Applications参考文献 34被引用数 4

ひとこと要約

本稿では、閾値選択の最適化に合成異常を用いることで、気象時系列データ向けのアンサンブルベースの異常検出手法を提案する。複数のベース検出器（例：LOF、OCSVM、リッジ回帰）を組み合わせ、論理回帰を用いてコンSENSUSを取ることで、ShuttleデータセットではF1スコア0.968を達成し、実世界のRWIS展開では75%の再現率と20%の誤報率を達成した。

ABSTRACT

The main aim of this work is to develop and implement an automatic anomaly detection algorithm for meteorological time-series. To achieve this goal we develop an approach to constructing an ensemble of anomaly detectors in combination with adaptive threshold selection based on artificially generated anomalies. We demonstrate the efficiency of the proposed method by integrating the corresponding implementation into ``Minimax-94'' road weather information system.

研究の動機と目的

• 道路気象情報システム（RWIS）向けの自動的かつ頑健な異常検出システムの開発を通じて、安全性と保守効率の向上を図ること。
• 時系列気象データにおけるセンサー故障、環境要因、データ伝送エラーなどに起因する多様な異常を検出する課題に対処すること。
• F1スコア指標の最適化に合成異常を用いることで、閾値選択における主観性を低減すること。
• RWISを越えて多次元で時系列でないデータセット（例：Shuttleデータセット）にも適用可能な汎用的な手法の構築。

提案手法

• LOF、楕円型エッジ（Elliptic Envelope）、OCSVM、隔離フォレスト（Isolation Forest）、リッジ回帰を含むベース異常検出器のアンサンブルを構築する。
• 実際のセンサー動作と故障パターンに基づいたドメイン固有のデータ拡張技術を用いて、合成異常を生成する。
• ベースモデル間の多様性を高め、アンサンブルの一般化性能を向上させるために、特徴量バッグイングを適用する。
• スコアのコンセンサスを取るために、モデル平均、重み付き線形変換、論理回帰などのコンセンサス関数を用いる。
• F1スコアを最大化するように、合成データを用いて意思決定閾値を最適化し、実データに対する頑健性を確保する。
• 最終的なアンサンブルモデルを、リアルタイム展開を想定したPythonモジュールとして「Minimax-94」RWISシステムに統合する。

実験結果

リサーチクエスチョン

• RQ1 気象時系列データにおける多様な異常を検出する際、アンサンブル検出器は個々のモデルを上回る性能を示せるか？
• RQ2 F1スコアに基づく閾値選択の最適化において、合成異常生成は実世界の異常検出に有効か？
• RQ3 コンセンサス関数の選択（例：論理回帰、モデル平均）がアンサンブルの性能に顕著な影響を及えるか？
• RQ4 提案手法は、Shuttleデータセットのような時系列でない多次元データセットにも一般化可能か？
• RQ5 合成データ上で選択された閾値は、実データにおける最適F1スコア閾値と比較して、F1スコアの観点でどれほど近いか？

主な発見

• モデル平均と論理回帰コンセンサスを用いたアンサンブルは、ShuttleデータセットでF1スコア0.968を達成し、すべての個別ベースモデルを上回った。
• 実際のRWISデータでは、実際の異常の75%を検出しながらも、誤報率20%を維持し、運用要件を満たした。
• 合成データに基づく閾値選択は、実データにおける最適F1スコア閾値に非常に近い値をもたらし、その有効性を裏付けた。
• アンサンブルアプローチにより、RWISデータにおける性能が著しく向上し、F1スコアはOCSVMの0.272から最良のアンサンブルの0.968に向上した。
• 論理回帰をコンセンサス関数として用いた場合、最高のF1スコアを達成したが、不安定性がやや高かった。一方、モデル平均はより頑健で一貫性のある性能を示した。
• 本手法は「Minimax-94」RWISシステムでテストモードとして正常に展開され、実世界での適用可能性と統合可能性を実証した。