没有合适的资源?快使用搜索试试~ 我知道了~
基于多模态对抗学习的无监督时间序列异常检测.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 18 浏览量
2022-06-10
16:42:22
上传
评论
收藏 1.3MB DOCX 举报
温馨提示
试读
30页
基于多模态对抗学习的无监督时间序列异常检测.docx
资源推荐
资源详情
资源评论
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 MIT-BIH 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
时间序列(time series)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
[2-3]
,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
[8-9]
.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(generative adversarial network,
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
[11-12]
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(long short-term memory, 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,Geiger 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.
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(multimodal GAN, 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特征融合对时间序列进行多模态的分布关
联学习和特征生成.然后,多模态判别器作为一个分布对齐模块,由多
模态判别网络组成,以原始多模态信息和多模态生成器的生成特征为
输入,通过多模态判别网络的判别进行分布对齐.最后,通过多模态生
成器和多模态判别器的博弈对抗,多模态生成器学习到正常样本的特
征分布,正常样本可以通过模型进行高质量的重构,而异常样本通过
重构则会产生误差,发现异常.
Fig. 1 Comparison of single modal and multimodal detection models
图
1
单模态与多模态检测模型对比
本文贡献如下:
1) 提出了一种通用的多模态时间序列的无监督异常检测框架.通过
挖掘正常时序信息在不同模态上的特征分布,实现异常时序信息的有
效检测.
2) 提出了一种基于对抗学习的多模态时间序列异常检测方法.该方
法提出一个多模态生成对抗网络模型,实现正常时序信息关于时域特
征分布和频域特征分布的联合学习,通过将异常检测问题转化为时序
信息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.
在多个真实时序信息数据集上做了充分的实验,结果表明:相比
最新的基准方法,本文提出的方法在 AUC 和 AP 这 2 个性能指标上实
现了最高分别 12.50%和 21.59%的提升.
1 相关工作
1.1 基于 GAN 的无监督异常检测方法
异常检测在众多领域已经得到了非常广泛的研究
[19-21]
.无监督的异常
检测方法由于训练不需要标签而更贴近实际应用场景,是一种更理想
的检测方法
[8]
.具体的无监督检测算法包括基于聚类和基于重构的算法
等.
基于聚类的方法通过学习正常数据周围的分类边界来划分异常,
如单类支持向量机(one-class SVM, OCSVM)
[22]
等.基于重构的方法一
般先学习数据的潜在低维表示,再通过重构误差
[19]
的方式来确定样本是
否异常,例如:主成分分析方法(principal com-ponent analysis,
PCA)及其一些变体
[23]
,但这些方法只能进行线性重构.而且,这些算法
都是基于离群值不像正态数据集中分布的假设,无法正确检测密度较
高的组异常.为表征非线性变换,解决传统重构方法的缺陷,基于深度
学习的自动编码器(auto encoder, AE)
[24]
、递归自编码器(recurrent
neural network auto-encoder, RNNAE)
[25]
、长短时自编码器(long
short-term memory auto-encoder, LSTMAE)
[26]
和变分 自编 码器
(variational auto-encoder, VAE)
[27]
相继出现.但是,如果没有适当的
正则化,这些重构方式容易出现过拟合,进而导致检测精度降低.
剩余29页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3662
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- JSP Explorer 文件浏览器 v1.0-fileexplorer.zip
- JS+Flash让网页元素发光的插件 glow! 0.1-glow.zip
- JdonFramework开源框架 v5.1 Build20071025-jdonframework-5.1.zip
- 汽车行驶工况数据,excel,m文件
- Xshell6是一款功能强大的终端模拟器软件,主要用于远程管理和访问多种网络设备和服务器
- OPA548运放E/S脚使能后,输入电压为零时,输出电压为0.6V;电路如何设计才能使输出电压偏置为:0V
- MicrosoftRootCertificateAuthority2011.rar
- ISOSAE21434.D1-2020SAE美国汽车标准
- 奥比中光RGBD在JETSON ORIN NX的ROS程序
- SerialNumberUtil.java
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功