Una red generativa adversaria de doble discriminador para la detección de anomalías

Área de la Ciencia:

• Ciencia de los datos
• Aprendizaje automático
• Inteligencia artificial

Sus antecedentes:

• La detección de anomalías de series temporales multivariadas es crucial en las finanzas, el espacio aéreo y la seguridad.
• Los desafíos incluyen definiciones de anomalías difusas, patrones complejos y datos anormales escasos.
• Los métodos existentes de autoencoder (AE) y red generativa adversaria (GAN) se enfrentan a problemas como el exceso de ajuste y la dependencia de la calidad de los datos.

Objetivo del estudio:

• Proponer un nuevo GAN de doble discriminador para mejorar la detección de anomalías de series temporales.
• Abordar las limitaciones de los algoritmos de detección de anomalías existentes basados en AE y GAN.
• Mejorar el despliegue práctico de las GAN en tareas de detección de anomalías.

Principales métodos:

• Se propone una nueva GAN con una estructura de doble discriminador.
• El generador produce reconstrucciones, y las pseudoetiquetas categorizan los datos en función del error de reconstrucción.
• Dos discriminadores aplican criterios de pérdida distintos para las reconstrucciones de datos normales y potencialmente anómalas.

Principales resultados:

• El doble discriminador GAN limita efectivamente el generador, conservando la información de datos normales mientras descarta los datos anómalos.
• Los resultados experimentales en conjuntos de datos de referencia muestran un rendimiento superior en comparación con los métodos avanzados de detección de anomalías.
• El modelo demuestra un gran rendimiento en los datos prácticos del transformador.

Conclusiones:

• El GAN de doble discriminador propuesto ofrece una solución robusta para la detección de anomalías de series temporales multivariadas.
• Este enfoque reduce el exceso de ajuste y la dependencia de datos de formación de alta calidad.
• El método muestra un potencial significativo para aplicaciones en el mundo real, incluido el análisis de datos de transformadores.