Owing to its significance and high demand, various practical applications call for an effective anomaly detection method. However, most time series anomaly detection models lack robustness, tending to suffer from noise and outliers in the training sets, and thus always achieve suboptimal anomaly detection performance in the real world. To tackle this problem, in this thesis, we propose Gated Recurrent Unit - Robust Variational Autoencoder (GRU-RVAE), an unsupervised anomaly detection model for multivariate time series data. GRU-RVAE applies bidirectional Gated Recurrent Units to model informative dependences among time series, and Variational Autoencoder with a modified loss function to process noise and outliers in the training stage explicitly, learn the data distribution of normal time series, and detect anomalies. We conduct experiments on two representative multivariate time series datasets, and experimental results show GRU-RVAE outperforms four state-of-art baselines in both anomaly detection performance and robustness, achieving improvements of 2.7 ∼ 6.6 % in the best F1-scores for different levels of noise and outliers in the training sets.
다양한 실제 응용 분야에서 중대성과 높은 수요로 인해 효과적인 이상 탐지 방법을 필요로 한다. 그러나 시계열데이터를 위한 대부분의 이상 검출 모델은 학습데이터 내에 존재하는 잡음에 강건하지 않아 낮은 이상 검출 성능을 보인다. 본 논문에서는 시계열 데이터에서의 비지도학습 이상치 검출 모델인 GRU-RVAE를 제안하며, 이는 잡음이 존재하는 데이터에서도 강건하게 학습할 수 있다. GRU-RVAE는 양방향 Gated Recurrent Units 를 적용함으로써 시계열 데이터간의 의존성을 파악하고, 개선된 손실 함수에 기반한 변분 오토인코더 로 데이터의 분포를 비지도학습한다. 제안하는 방법론은 학습 단계에서 존재하는 잡음과 이상치를 자동으로 검출하고 처리할 수 있다. 두 종류의 대표적인 다변량 시계열 데이터를 활용한 이상 탐지 실험에서 다양한 정도의 잡음이 있을때 제안한 GRU-RVAE가 4 가지 최첨단 방법보다 2.7 ~ 6.6 % 높은 F1 점수를 보였다.
