Détection d'anomalies dans les séries temporelles multivariées basée sur un réseau d'attention graphique

La détection d’anomalies dans les séries temporelles multivariées revêt une importance capitale tant dans la recherche en fouille de données que dans les applications industrielles. Bien que les approches récentes aient obtenu des progrès significatifs dans ce domaine, des limitations subsistent. Une limitation majeure réside dans le fait qu’elles ne modélisent pas explicitement les relations entre les différentes séries temporelles, ce qui entraîne inévitablement un taux élevé d’alertes fausses. Dans cet article, nous proposons un cadre novateur d’apprentissage auto-supervisé pour la détection d’anomalies dans les séries temporelles multivariées afin de remédier à ce problème. Notre cadre considère chaque série temporelle univariée comme une caractéristique indépendante et intègre deux couches d’attention sur graphe en parallèle pour apprendre les dépendances complexes des séries multivariées tant dans le domaine temporel que dans celui des caractéristiques. Par ailleurs, notre méthode optimise conjointement un modèle basé sur la prévision et un modèle basé sur la reconstruction, permettant d’obtenir des représentations améliorées des séries temporelles grâce à une combinaison de prédictions ponctuelles et de reconstruction complète de la séquence temporelle. Nous démontrons l’efficacité de notre modèle à travers des expérimentations approfondies. Le modèle proposé surpasse les autres méthodes de pointe sur trois jeux de données réels. Une analyse complémentaire montre que notre approche présente une bonne interprétabilité et s’avère particulièrement utile pour le diagnostic des anomalies.