GraphAD: 基于图神经网络的实体级多变量时间序列异常检测
研究了多变量时序数据的异常检测问题,提出了一种使用 GAT 和 LSTM 深度学习模型的方法,通过多任务优化算法来同时实现时间戳和传感器之间的关系建模、精准的异常检测和重构。
Nov, 2022
本研究提出了一种基于动态跨序列图的多元时间序列异常检测框架 DyGraphAD,通过利用图的演化特性辅助图和时间序列预测任务,从而根据跨序列关系和时间模式的偏离来检测异常状态,并在实际数据集上验证了其胜过基线异常检测方法的性能。
Feb, 2023
本文提出了一种名为 CGAD 的新框架,用于多变量时间序列异常检测,利用传递熵构建反映时间序列数据中潜在因果关系的图结构。通过加权图卷积网络和因果卷积模型多变量时间序列数据中的因果图结构和时间模式。此外,CGAD 还应用异常得分和基于中值绝对偏差的归一化方法提高异常检测的鲁棒性,实验证明,CGAD 在真实数据集上的表现优于最先进的方法,根据三种不同的多变量时间序列异常检测指标平均提高了 15%。
Dec, 2023
提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法,通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析,在真实世界传感器数据集实验中,该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。
Jun, 2021
本文提出了一个新的自监督多元时间序列异常检测框架,使用图注意力层显式地捕获时间序列之间的关系,并结合预测 和重构的方法来获得更好的时间序列表示,实验结果表明该方法在真实数据集上表现优异且具有良好的可解释性。
Sep, 2020
本文提出了一种名为 CAN(coupled attention-based neural network)的框架,用于动态变量关系特征的多变量时间序列异常检测,通过自适应图学习方法与图关注机制相结合,基于全局 - 局部图来表示全局相关性和动态相关性,通过卷积神经网络结合时间自注意力模块来构建耦合注意力模块,实现了多层编码器 - 解码器架构进行重构和预测任务,实验结果表明 CAN 方法明显优于现有的基准方法。
Jun, 2023
本文提出了一种基于生成对抗网络(GANs)的无监督多变量异常检测方法(MAD-GAN),并在 SWaT 和 WADI 数据集上进行了实验,结果表明该方法能够有效地检测这些系统中各种形式的入侵。
Jan, 2019
该研究提出了 GTA,一种新的多元时间序列异常检测框架,具有自动学习图结构、图卷积和使用基于 Transformer 的架构建模时间依赖性等特点。通过在四个公开可用的异常检测基准上进行的广泛实验,证明了该方法优于替代的最新技术水平。
Apr, 2021
在动态图上进行异常检测的研究主要关注于检测行为明显偏离图和时间信息内观察到的规范的实体,已吸引了金融、网络安全、社交网络等领域的极大关注。然而,现有的方法面临两个挑战:动态结构构建挑战 - 难以捕捉带有复杂时间信息的图结构,负采样挑战 - 无法构建优秀的负样本用于无监督学习。为了应对这些挑战,我们提出了基于动态图的无监督生成式异常检测 (GADY)。针对第一个挑战,我们提出了一个连续动态图模型来捕捉精细的信息,打破了现有离散方法的限制。具体而言,我们采用消息传递框架结合位置特征来获得边缘嵌入,通过解码来识别异常。为了解决第二个挑战,我们首次使用生成对抗网络生成负交互。此外,我们设计了一个损失函数来改变生成器的训练目标,同时确保生成样本的多样性和质量。大量实验证明了我们提出的 GADY 在三个现实世界数据集上明显优于先前的最先进方法。补充实验证实了我们模型设计的有效性以及每个模块的必要性。
Oct, 2023
利用生成对抗网络(GAN)进行复杂的网络型智能物理系统的异常检测,通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为,针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。
Sep, 2018