[论文解读] Entropy Causal Graphs for Multivariate Time Series Anomaly Detection

Falih Gozi Febrinanto, Kristen Moore+5 more|arXiv (Cornell University)|Dec 15, 2023

Anomaly Detection Techniques and Applications被引用 5

一句话总结

该论文提出CGAD，一种新颖的多变量时间序列异常检测框架，通过传递熵构建熵因果图以建模变量间的因果关系，再利用带有因果卷积的图卷积网络捕捉时序动态，并通过中位数绝对偏差归一化的评分方法检测异常。在真实世界数据集上，CGAD在三项指标上的平均性能相比最先进方法提升了15%。

ABSTRACT

Many multivariate time series anomaly detection frameworks have been proposed and widely applied. However, most of these frameworks do not consider intrinsic relationships between variables in multivariate time series data, thus ignoring the causal relationship among variables and degrading anomaly detection performance. This work proposes a novel framework called CGAD, an entropy Causal Graph for multivariate time series Anomaly Detection. CGAD utilizes transfer entropy to construct graph structures that unveil the underlying causal relationships among time series data. Weighted graph convolutional networks combined with causal convolutions are employed to model both the causal graph structures and the temporal patterns within multivariate time series data. Furthermore, CGAD applies anomaly scoring, leveraging median absolute deviation-based normalization to improve the robustness of the anomaly identification process. Extensive experiments demonstrate that CGAD outperforms state-of-the-art methods on real-world datasets with a 9% average improvement in terms of three different multivariate time series anomaly detection metrics.

研究动机与目标

• 为解决现有多变量时间序列异常检测方法忽略变量间因果关系的局限性，该局限性会降低检测性能。
• 开发一种显式利用信息论度量建模时间序列变量间因果依赖关系的框架。
• 通过整合因果图结构与时序建模及基于中位数偏差的评分机制，提升异常检测的鲁棒性与可解释性。
• 在真实世界多变量时间序列数据集上，通过多种评估指标超越最先进方法。

提出的方法

• 使用传递熵构建时间序列变量之间的因果图，以量化方向性信息流并推断因果关系。
• 采用加权图卷积网络（GCNs）对学习到的因果图中的结构依赖关系进行建模。
• 集成因果卷积以捕捉多变量时间序列中的长程时序依赖关系与序列模式。
• 采用基于预测的异常检测策略，其中预测值与实际值之间的重构误差构成异常评分。
• 使用中位数绝对偏差（MAD）对异常评分进行归一化，以提升对异常值和分布偏移的鲁棒性。
• 通过在每个时间戳取所有传感器的节点级异常评分的最大值，将节点级异常评分聚合为整体系统级评分。

Figure 1. An illustration of the proposed framework. The CGAD process begins with causal graph generation based on transfer entropy (Schreiber, 2000 ) to establish causal relationships in multivariate time series data. Weighted GNN forecasting is then performed for single-step forecasting, followed

实验结果

研究问题

• RQ1 与忽略因果关系的方法相比，基于传递熵的因果图构建是否能提升多变量时间序列异常检测性能？
• RQ2 带有因果卷积的图神经网络在多变量时间序列异常检测中，对结构依赖与时序依赖的建模效果如何？
• RQ3 基于MAD的归一化在真实世界噪声数据集中在多大程度上增强了异常评分的鲁棒性？
• RQ4 CGAD在多种评估指标（包括逐点、综合及点调整F1分数）下与最先进方法相比表现如何？

主要发现

• 与最先进方法相比，CGAD在真实世界多变量时间序列数据集上，三项评估指标（F1、F1c、F1PA）的平均异常检测性能提升15%。
• 使用传递熵进行因果图构建，相比启发式或学习得到的图结构，能实现更好的可解释性与更准确的变量间依赖关系建模。
• 在已知异常事件期间，节点级异常评分显著上升，从而实现对系统中故障传感器或变量的精确定位。
• 作为每个时间戳所有节点评分最大值的集体异常评分，能有效在异常发生时触发警报，且与真实异常窗口（如SMD数据集中15900–16400和17000–17500）高度一致。
• MAD归一化评分机制提升了鲁棒性，降低了对真实世界数据中异常值和分布偏移的敏感性。

Figure 2. Temporal convolution and dilated inception layer.