Unüberwachte tiefere Anomalieerkennung für mehrsensorige Zeitreihensignale

Heutzutage werden mehrsensorbasierte Technologien in zahlreichen Bereichen eingesetzt, beispielsweise im Gesundheitswesen (Health Care, HC), der Erkennung menschlicher Aktivitäten (Human Activity Recognition, HAR) sowie in industriellen Steuerungssystemen (Industrial Control System, ICS). Diese Sensoren können eine erhebliche Menge an multivariaten Zeitreihendaten erzeugen. Die unsupervisierte Anomalieerkennung auf mehrsensorbasierten Zeitreihendaten hat sich in der Forschung zum maschinellen Lernen als entscheidend erwiesen. Die zentrale Herausforderung besteht darin, verallgemeinerte Normalmuster zu identifizieren, indem räumlich-zeitliche Korrelationen in den mehrsensorbasierten Daten erfasst werden. Hinzu kommt, dass Rauschdaten oft mit den Trainingsdaten vermischt sind, was das Modell leicht irreleiten kann, da es schwierig wird, zwischen normalen, anomalen und rauschbehafteten Daten zu unterscheiden. Wenige bisherige Forschungsarbeiten können diese beiden Herausforderungen gleichzeitig angehen. In diesem Artikel stellen wir einen neuartigen, auf tiefen neuronalen Netzen basierenden Anomalieerkennungsalgorithmus vor, den wir Deep Convolutional Autoencoding Memory-Netzwerk (CAE-M) nennen. Zunächst entwickeln wir ein tiefes konvolutionales Autoencoder-Netzwerk, das die räumliche Abhängigkeit mehrsensoriger Daten charakterisiert und dabei die Maximum Mean Discrepancy (MMD) nutzt, um die Unterscheidung zwischen Rausch-, Normal- und Anomaliedaten verbessert zu können. Anschließend konstruieren wir ein Memory-Netzwerk, das aus linearen (Autoregressivem Modell) und nichtlinearen Vorhersagen (bidirektionalem LSTM mit Aufmerksamkeit) besteht, um die zeitliche Abhängigkeit aus den Zeitreihendaten zu erfassen. Schließlich optimiert CAE-M diese beiden Teilnetzwerke gemeinsam. Wir vergleichen die vorgeschlagene Methode empirisch mit mehreren state-of-the-art-Anomalieerkennungsverfahren anhand von HAR- und HC-Datensätzen. Die experimentellen Ergebnisse zeigen, dass unser vorgeschlagenes Modell die bestehenden Ansätze übertrifft.