[论文解读] Deep Learning for Time Series Anomaly Detection: A Survey

Zahra Zamanzadeh Darban, Geoffrey I. Webb+3 more|arXiv (Cornell University)|Nov 9, 2022

Anomaly Detection Techniques and Applications参考文献 182被引用 74

一句话总结

本综述提供了时间序列异常检测中深度学习方法的全面分类法和最前沿概览，比较了基于预测、基于重建和混合方法的方案、数据集及评估实践。

ABSTRACT

Time series anomaly detection has applications in a wide range of research fields and applications, including manufacturing and healthcare. The presence of anomalies can indicate novel or unexpected events, such as production faults, system defects, or heart fluttering, and is therefore of particular interest. The large size and complex patterns of time series have led researchers to develop specialised deep learning models for detecting anomalous patterns. This survey focuses on providing structured and comprehensive state-of-the-art time series anomaly detection models through the use of deep learning. It providing a taxonomy based on the factors that divide anomaly detection models into different categories. Aside from describing the basic anomaly detection technique for each category, the advantages and limitations are also discussed. Furthermore, this study includes examples of deep anomaly detection in time series across various application domains in recent years. It finally summarises open issues in research and challenges faced while adopting deep anomaly detection models.

研究动机与目标

• 提出一个新颖的时间序列深度异常检测模型分类法，分为基于预测、基于重建和混合方法。
• 评审用于单变量与多变量时间序列异常检测的当前前沿模型、体系结构和学习方案。
• 确定该领域使用的主要基准、数据集和实际评估协议。
• 讨论时间序列中不同异常类型的基本原理，并强调挑战和未来研究方向。

提出的方法

• 将深度时间序列异常检测模型归类为基于预测、基于重建和混合类别。
• 进一步按主要架构（如 RNN、LSTM、CNN、GNN、GAN、VAE、Transformer）和输入类型（单变量与多变量）对模型进行细分。
• 解释学习方案（有监督、无监督、半监督、自监督）以及异常得分的推导方式（预测误差、重建概率）。
• 描述输入处理（点级 vs 子序列、滑动窗口）以及输出形式（异常分数 vs 二元标签）。
• 讨论可解释性度量与评估协议，包括阈值策略和点调整方面的考量。
• 总结公开可用的数据集并提供结构化的比较框架（源文献中的表1与表2）。

实验结果

研究问题

• RQ1 时间序列异常检测的深度学习模型及其架构特征的综合分类法是什么？
• RQ2 用于评估深度时间序列异常检测方法的主要数据集和基准有哪些？
• RQ3 在时间序列数据中用于判定异常的评估协议和阈值是什么，以及可解释性考虑如何影响实际应用？
• RQ4 在将深度异常检测应用于时间序列数据时存在哪些未解决的问题、挑战和未来方向？

主要发现

• 提出了一种新颖的分类法，将模型分为基于预测、基于重建和混合方法，并按神经体系结构细分子类别。
• 提供了对前沿模型与体系结构的全面综述（如 RNN、LSTM、CNN、GNN、GAN、VAE、Transformer），涵盖单变量与多变量时间序列。
• 综述汇总了主要基准和数据集，详述了研究人员常用的来源及超链接。
• 本文讨论了学习方案（有监督、无监督、半监督、自监督）以及异常分数通常如何从预测误差或重建概率中得出。
• 讨论了如点调整（PA）和 PA%K 协议等评估实践，强调在缺乏严格评估时 F1 分数可能存在的偏差。
• 指出在将深度异常检测应用于时间序列数据时的开放问题与挑战，勾勒未来研究方向。