メモリ主導型マスク再構築と中央対照学習による頑健な多変量時系列異常検知
Le He1, Xin Gao1, Xinping Diao2
1School of Intelligent Engineering and Automation, Beijing University of Posts and Telecommunications, Beijing, 100876, China.
まとめ
本研究では、教師なし多変量時系列異常検知（MTSAD）のための新しいメモリ主導型マスク再構築と中央対照学習（MMR-CCL）法を導入する。MMR-CCLは、時間的依存性の抽出を強化し、過学習を軽減して異常検知精度を向上させる。
科学分野:
- 人工知能
- 機械学習
- データサイエンス
背景:
- 教師なし多変量時系列異常検知（MTSAD）法は、マスキングによる意味的バイアスや汚染されたデータへの過学習に苦労することがよくあります。
- MTSADにおける既存の対照学習アプローチは、特徴分布の分離に課題があり、高レベルの意味的情報のキャプチャを制限しています。
主な方法:
- マスク再構築プロセスをガイドし、グローバルな共通性をキャプチャするためのグローバル相関認識メモリモジュールを開発しました。
- 汚染されたデータへの過学習を定量化および抑制するためのメモリ調整因子を導入しました。
- アンカーとしてマスクされていないデータ、正のサンプルとしてマスクされたデータ、負のサンプルとしてノイズで満たされたデータを使用したメモリアンカリング中央対照学習戦略を実装しました。
結論:
- MMR-CCLは、教師なし多変量時系列異常検知のための堅牢なフレームワークを提供します。
- メモリ主導型再構築と中央対照学習の統合は、検出パフォーマンスを大幅に向上させます。
- MMR-CCLは、再構築を通常のパターン空間に合わせることで、より合理的な識別境界を確立します。
