[論文レビュー] Nominality Score Conditioned Time Series Anomaly Detection by Point/Sequential Reconstruction

Chih-Yu Lai, Fan-Keng Sun+3 more|arXiv (Cornell University)|Oct 24, 2023

Anomaly Detection Techniques and Applications被引用数 11

ひとこと要約

本論文は NPSR を提案する。NPSR はポイントベースとシーケンスベースの再構成を組み合わせ、時系列のポイント異常と文脈的異常の両方を検出するフレームワークであり、名義性スコアを条件付けして改良された異常スコアを誘導する。

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.

研究の動機と目的

• ポイントと文脈的異常の両方を扱える教師なしの時系列異常検出を動機づける。
• 時系列データにおける名義的（nominal）な逸脱と異常な逸脱を区別する名義性スコアを開発する。
• ポイントベースの洞察とシーケンスベースの洞察を統合して検出を改善する誘導異常スコアを提案する。
• 特定の条件下で誘導異常スコアが元の異常スコアより優ることを示す。
• 最先端のベースラインに対して、実世界および合成データセットで NPSR を実証的に検証する。

提案手法

• 観測データが名目プロセスからの逸脱であり、逸脱を分布内（文脈的）と分布外（ポイント）成分に分解する名目時系列フレームワークを定義する。
• 名義性スコア N(t) を、分布内逸脱の二乗ノルムの総逸脱に対する比として計算する、N(t) = ||Δx^c_t||^2 / ||Δx^0_t||^2。
• 単純な Performer ベースの自己符号化器 M_pt を用いてポイントベースの再構成を推定し x̂^c_t を取得し、ポイントベースの異常 A(t) = ||x̂^c_t − x^0_t||^2 を計算する。
• Performer ベースのスタック型エンコーダ M_seq を用いてシーケンスベースの名目挙動を推定し x̂^*_, を取得し、それを名目軌道 X^*_._ に関連づける。
• 名義性情報に基づくゲート g_N(N) で A を平滑化・ゲーティングし、時間窓（誘導長 d）全体で ÊA(t) = Στ A(t;τ) を作成し、A(t;τ) = A(τ) ∏ g_N(N(k))。
• ソフトゲート条件とハードゲート条件の下で誘導スコアが元のスコアと同等またはそれ以上になり得ること、そして N が情報量を持つ場合に成立することを示す理論的結果を提供する。

実験結果

リサーチクエスチョン

• RQ1 名義性スコアは、時系列における名目のコンテキストと真の異常を効果的に分離できるか。
• RQ2 名義性条件付け誘導によるポイントベースとシーケンスベースの再構成の統合は、異常検出性能を改善するか。
• RQ3 誘導異常スコアが元の異常スコアや単純な平滑化より優れる条件は何か。
• RQ4 NPSR は単一エンティティ時系列データと複数エンティティ時系列データセットで、最先端のベースラインと比較してどの程度劣らずに性能を発揮するか。

主な発見

• NPSR は複数の公開データセットで最先端のベースラインの多くを一貫して上回り、ポイント異常と文脈的異常の両方に対して強い結果を示す。
• 単純なポイントベースモデル（M_pt）も競争力のある性能を達成でき、誘導スコアを介してシーケンスベースの再構成（M_seq）を組み込むことで文脈的異常検出を強化しつつ、ポイント異常検出を犠牲にしない。
• 名義性スコア（N）に条件付けられたソフトゲートおよびハードゲート変体は F1* とロバスト性を改善でき、N の98.5パーセンタイル閾値がデータセット全体でうまく機能する。
• 元の異常スコア A(t) を平滑化すること（誘導スコア ÊA の特別なケースに相当）も、多くのデータセットで AUC および F1* を改善する。
• 理論的分析は再構成を異常を修正して名目時点を浮かび上がらせることとして捉え、 ÊA は記載条件下で A より劣らないことを証明する。