LSTM-based Encoder-Decoder for Multi-sensor Anomaly Detection
要約
# 1. はじめに
- 機械の挙動を捉えるために多数のセンサーが設置されているが、センサーで捉えられない外部要因により時系列データが本質的に予測不可能になる場合がある
- 例えば、手動制御や監視されていない環境条件、負荷などにより予測不可能な時系列データが生じる
- このような状況では、定常性に依存する数学モデルや予測誤差を用いる予測モデルによる異常検知が困難になる
- 本研究では、LSTMベースのエンコーダ-デコーダを用いた異常検知手法(EncDec-AD)を提案する
- EncDec-ADは「正常な」時系列の再構成を学習し、再構成誤差を用いて異常を検知する
# 2. EncDec-AD
- 長さLの多変量時系列Xを入力とする
- LSTMエンコーダがXの固定長ベクトル表現を学習し、LSTMデコーダがそれを用いてXを再構成する
- エンコーダとデコーダを同時に学習し、時系列を逆順に再構成するよう訓練する
- 正常な時系列のみを用いて訓練を行う
- テスト時は再構成誤差を用いて各時点の異常度を計算する
- 異常度に閾値を設定し、異常/正常を判定する
# 3. 実験
- 4つの実世界データセットを用いて評価:電力需要、スペースシャトルバルブ、ECG、エンジン
- エンジンデータセットは予測可能な場合(Engine-P)と予測不可能な場合(Engine-NP)の2種類を用意
- 周期的、非周期的、準周期的な時系列に対して評価を行った
- 短い時系列(長さ30)から長い時系列(長さ500)まで評価した
- 全てのデータセットで高い陽性尤度比を達成
- 予測不可能な時系列(Engine-NP)に対しても良好な結果を示した
# 4. 関連研究
- 時系列予測モデルを用いた異常検知手法が多く提案されている
- 最近ではLSTMを用いた予測モデルによる異常検知手法も提案されている
- 非時系列データに対する再構成モデルベースの異常検知手法も存在する
# 5. 考察
- EncDec-ADは予測可能/不可能な時系列の両方に対して有効であることを示した
- 長さ500の長い時系列に対しても異常検知が可能であり、ロバストな正常モデルを学習できていることを示唆している
- 既存手法の多くが予測可能な時系列を前提としているのに対し、EncDec-ADはより広範な状況に適用可能である
評価
# 新規性
- LSTMベースのEncoder-Decoderを時系列異常検知に適用した点
- 予測不可能な時系列データにも対応できる点
- 短い時系列(長さ30)から長い時系列(長さ500)まで扱える点
# 言及されている全ての関連研究との相違点
- 予測モデルベースの手法(LSTM-ADなど)との違い:
予測誤差ではなく再構成誤差を用いる点
- 非時系列の再構成モデル(Denoising Autoencoder, DBNなど)との違い:
LSTMを用いて時系列データの時間的依存性を考慮している点
# 有効性
- 予測可能/不可能、周期的/非周期的など様々な種類の時系列に対応
- 特に予測不可能なデータセット(Engine-NP)で従来手法より高い性能
- 5つのデータセットでPositive Likelihood Ratioが1.0を大きく上回る
# 信頼性
- 複数の公開データセットと実世界のデータセットで評価
- 予測可能なデータでは既存手法と同等以上の性能
- 予測不可能なデータでは既存手法を大きく上回る性能
- 様々な長さの時系列(30~500)に対応可能
和訳
![]()
1 / 1
100%
