Graph Neural Network-Based Anomaly Detection in Multivariate Time Series

给定高维时间序列数据(如传感器数据)，我们如何检测异常事件，如系统故障和攻击?更具有挑战性的是，我们如何以捕捉复杂的传感器间关系的方式来做到这一点，并检测和解释偏离这些关系的异常?最近，深度学习方法使高维数据集的异常检测成为可能;然而，现有的方法没有明确地学习变量之间现有关系的结构，也没有使用它们来预测时间序列的预期行为。该方法将结构学习方法与图神经网络相结合，另外使用注意力权重为检测到的异常提供可解释性。在两个具有真实异常的真实传感器数据集上的实验表明，所提出方法比基线方法更准确地检测异常，准确捕获传感器之间的相关性，并允许用户推断检测到异常的根本原因