基于多模态对抗学习的无监督时间序列异常检测 - 黄训华, 张凤斌, 樊好义, 席亮.pdf
免费下载
计 算 机 研 究 与 发 展
DOI
:
１０．７５４４∕issn１０００Ｇ１２３９．２０２１．２０２０１０３７
JournalofCom
p
uterResearchandDevelo
p
ment ５８
(
８
):
１６５５ １６６７
,
２０２１
收稿日期
:
２０２０
－
１２
－
２１
;
修回日期
:
２０２１
－
０６
－
０９
基金项目
:
国家自然科学基金项目
(
６１１７２１６８
)
Thisworkwassu
pp
ortedb
y
theNationalNaturalScienceFoundationofChina
(
６１１７２１６８
)
．
通信作者
:
张凤斌
(
zhan
g
fb＠hrbust．edu．cn
)
基于多模态对抗学习的无监督时间序列异常检测
黄 训 华
张 凤 斌
樊 好 义
席
亮
(
哈尔滨理工大学计算机科学与技术学院
哈尔滨
１５００００
)
(
１８２０４１００６０＠stu．hrbust．edu．cn
)
MultimodalAdversarialLearnin
g
BasedUnsu
p
ervisedTimeSeriesAnomal
y
Detection
Huan
g
Xunhua
,
Zhan
g
Fen
g
bin
,
FanHao
y
i
,
andXiLian
g
(
Colle
g
eo
f
Com
p
uterScienceandTechnolo
gy
,
HarbinUniversit
y
o
f
ScienceandTechnolo
gy
,
Harbin
１５００００
)
Abstract Timeseriesanomal
y
detectionisoneofthemostim
p
ortantresearchdirectionsin machine
learnin
g
,
whichaimstofindthe
p
atternsthatdeviatesi
g
nificantl
y
fromthenormalbehavioroftime
series．However
,
mostoftheexistin
g
methodsforanomal
y
detectionoftimeseriesarebasedon
sin
g
leＧmodalit
y
feature learnin
g
,
which i
g
nores the relevance and com
p
lementarit
y
of the
characteristicdistributionoftimeseriesin multiＧmodalit
y
s
p
ace
,
andconse
q
uentl
y
failstomakefull
useoftheexistin
g
informationforlearnin
g
．Toalleviatetheabove
p
roblems
,
inthis
p
a
p
er
,
we
p
resent
atimeseriesanomal
y
detectionmodelbasedonmultimodaladversariallearnin
g
．Firstl
y
,
weconvert
the ori
g
inal time series into the fre
q
uenc
y
domain to construct multiＧmodalit
y
time series
re
p
resentation．Then
,
based on the constructed multiＧmodalit
y
re
p
resentation
,
we
p
ro
p
ose a
multimodal
g
eneratedadversarialnetwork modeltolearnnormaldatasdistributionsintimedomain
andfre
q
uenc
y
domain
j
ointl
y
．Finall
y
,
b
y
modelin
g
theanomal
y
detection
p
roblem asthedata
reconstruction
p
roblemintimedomainandfre
q
uenc
y
domain
,
wemeasuretheanomal
y
scoreoftime
seriesfromboththetimedomainandfre
q
uenc
y
domain
p
ers
p
ectives．Weverif
y
the
p
ro
p
osedmethod
onthetimeseriesdatasetsofUCRandMITＧBIH．Ex
p
erimentalresultsonthe６datasetsofUCRand
MITＧBIHshowthat
,
com
p
aredwiththestateＧofＧtheＧarts
,
the
p
ro
p
osed methodim
p
rovestheAUC
andAP metricsofanomal
y
detection
p
erformanceb
y
１２．５０％ and２１５９％res
p
ectivel
y
．
Ke
y
words timeseries
;
unsu
p
ervisedanomal
y
detection
;
featuredistribution
;
adversariallearnin
g
;
multimodal
摘
要
时间序列异常检测旨在发现对应时序特征中不符合一般规律的特异性模式
,
是机器学习领域重
要的研究方向之一
．
然而
,
现有的时序异常检测 方法大 多为单 模态学 习
,
忽略了 时序信 息在多 模态空 间
上不同特征分布的关联性和互补性
,
不能充分利用已有信息进行有效地模式挖掘
,
从而造成检测效果差
等问题
．
为此
,
提出了一种基于多模态对抗学习的无监督时间序列异常检测模型
．
首先
,
将原始时间序列
转换至频域空间
,
构造多模态 时 间序 列 表示
．
其次
,
提出 多 模态 生 成对 抗 网络 模 型
,
针 对 多 模 态 时 间 序
列
,
实现正常时序信息关于时域和频域特征 分布的 无监督 联合学 习
．
最后
,
通过将 异常检 测问题 转化为
时间序列在时域和频域空间的重构度量问题
,
从时域空间和频域空间
２
个方面度量时间序列的异常值
,
实现更有效的异常检测
．
在时间序列数据集合
UCR
和
MITＧBIH
中的
６
个真实数据集的实验结果表明
,
在异常检测任务上相较于传统单模态异常检测方法
,
提出方法在
AUC
和
AP
这
２
个性能指标上最高分
别提升了
１２．５０％
和
２１．５９％
,
证明了方法的有效性
．
关键词
时间序列
;
无监督异常检测
;
特征分布
;
对抗学习
;
多模态
中图法 分类号
TP３９１
时间序列
(
timeseries
)
是按照时间排序的一组
随机变量
,
它通常是 在 相等 间 隔的 时 间段 内 依照 给
定的采样率对某种潜在过程进行观测的结果
．
视频
、
音频
、
轨迹图
、
心电图和动作捕捉都是常见的时间序
列
,
对这些数据进行 分 析和 检 测的 关 键是 识 别其 中
的模式
、
趋势和相关性
[
１
]
．
时序数据的分析 广泛地 应
用在科学
、
工程和商业领域中
[
２Ｇ３
]
,
例如社交媒体
[
４
]
、
城市数据
[
５
]
、
电子交易
[
６
]
和排名 统计
[
７
]
中
．
在这些 领
域中时序数据的分 析 需求 主 要包 括 特征 提 取
、
相关
性分析和异常检测等
．
异常检测 的目的 是找到 某些观 测值
,
它与其 他
的观测值有很大的 偏 差
,
这样 的 偏差 可 能是 由 于不
同的原因或 机 制 所 产 生 的
[
８Ｇ９
]
．
在 时 序 领域
,
现 有 的
异常检测方法可分为有监督
、
半监督和无监督
３
类
．
其中
,
无监督方法在训练时不需要加注标签
,
通过密
度估计的方式 来 检 测 异 常
．
这 种 检 测 方 式 提 供 了 良
好的泛化能力
,
使模型不受限于数据的标签类型
,
是
一种更适用于时间序列的检测方式
[
８
]
．
而在众多的无
监督异常检测方法中
,
基于生成对抗网络
(
g
enerative
adversarialnetwork
,
GAN
)
[
１０
]
的 无 监 督 异 常 检 测
算法因为优异的分布学习和特征重构能力得到了越
来越多的关注
．GAN
是一个强大的高维数据建模框
架
,
常用来建模复杂高维的数据分布
,
它起初作为自
然图像
[
１１Ｇ１２
]
的生成模 型 已经 获 得了 巨 大成 功
,
并且
越来越多地用于时 序 信号
[
１３
]
和医 学 成像
[
１４
]
的异 常
检测领域
．
例如
,
Zhou
等人
[
１５
]
提出了一种基于
GAN
的心电数据异常检 测 模型
,
模型 通 过建 模 正常 心 电
数据的分布来检测 异 常
,
并通 过 划分 固 定长 度 的心
跳节拍将数据 进 行 分 段 检 测
．
这 种 划 分 时 序 周 期 的
方法难以检 测无 明显 周期 的数 据 和 长 度 可 变 的 数
据
,
更难以充分利用时序信息前后依赖的分布关联
．
为了利用时序依赖关系
,
Li
等人
[
１６
]
提出了一种基于
GAN
的多变量时间序列异常检测模型
,
此模型可以
利用 长 短 时 记 忆 网 络
(
lon
g
shortＧterm memor
y
,
LSTM
)
[
１７
]
来捕捉时间依赖关系
,
再使用
GAN
建模
分布来实现 异 常 检 测
．
在 此 基 础 上
,
Gei
g
er
等 人
[
１８
]
也提出了一种
GAN
与
LSTM
结合的时序异常检测
方法
,
不同的是
,
该方法针对时序特征设计了多种重
构误差计算和异常 评 分方 法
,
进一 步 增强 了 模型 的
时序异常检 测 能力
．
上 述 方 法 都 通 过 使 用
GAN
学
习特征分布的方式 进 行了 异 常检 测
,
但是 这 些方 法
只在时序信息的时 域 特征 上 进行 了 分布 学 习
,
忽略
了时序信息在多模 态 特征 空 间的 分 布关 联
,
造成 了
对现有信息利用不足的问题
．
Fi
g
．１ Com
p
arisonofsin
g
lemodalandmultimodal
detectionmodels
图
１
单模态与多模态检测模型对比
如图
１
所示
,
在时序 异常检 测领域 传统异 常检
测方法多采 用原 始时 间序 列直 接 进 行 单 模 态 的 检
测
,
存在不能充分利 用 时序 信 息潜 在 分布 关 联的 不
足
．
作为对比
,
为 解 决 传 统 方 法 单 模 态 学 习 的 不 足
,
通过利用多模态特 征 空间 的 分布 关 联
,
本文 提 出了
一个通用的无监督多模态对抗学习时间序列异常检
测框架
(
multimodalGAN
,
MMGAN
),
旨在联合学
习时间序列在时域空 间 和频 域 空间 上 的特 征 分布
,
增强模型分布 建 模 能 力
．
作 为 一 个 多 模 态 对 抗 学 习
检测模型
,
MMGAN
能以生成对抗的方式捕捉时间
序列在每个模态空 间 上的 特 征分 布
,
并建 立 模态 间
的分布关联
,
再通过重构检测异常
．
具体地
,
MMGAN
主要有 模 态 转 换
、
多 模 态 生 成 器 和 多 模 态 判 别 器
３
部分组成
．
首先
,
模态转换 模 块负 责 时序 特 征从 时
域到频域的映射
．
其次
,
多模态生成器作为一个分布
学习模块
,
由多模态自适应编码器和解码器组成
,
以
２
个模 态 信息 为 输入
,
通过 模 态间 权 重共 享 和低 维
６５６１
计算机研究与发展
２０２１
,
５８
(
８
)
of 13
免费下载
【版权声明】本文为墨天轮用户原创内容，转载时必须标注文档的来源（墨天轮），文档链接，文档作者等基本信息，否则作者和墨天轮有权追究责任。如果您发现墨天轮中有涉嫌抄袭或者侵权的内容，欢迎发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。
下载排行榜
评论