多次元時系列異常検出におけるグラフアテンションネットワーク

多次元時系列データにおける異常検出は、データマイニングの研究分野および産業応用において極めて重要である。近年のアプローチはこの分野で顕著な進展を遂げてきたが、依然としていくつかの限界が存在する。その主な課題の一つは、異なる時系列間の関係性を明示的に捉えていない点であり、これにより避けがたい誤検出（誤報）が生じる。本論文では、この問題に対処するため、新たな自己教師付き枠組みを提案する。本フレームワークでは、各単変量時系列を個別の特徴量として扱い、時系列の時間的・特徴量的次元における複雑な依存関係を学習するため、並列に2つのグラフアテンション層を導入している。さらに、本手法は予測に基づくモデルと再構成に基づくモデルを共同で最適化することで、単一時刻の予測と時系列全体の再構成を組み合わせることで、より優れた時系列表現を獲得する。広範な実験を通じて、本モデルの有効性を実証した。提案手法は、3つの実世界データセットにおいて、他の最先端モデルを上回る性能を示した。さらに、詳細な分析から、本手法は優れた解釈可能性を有しており、異常の診断に有用であることが示された。