条件付き正規化フローの潜在空間における帰納的バイアスを用いた時系列データの異常検知

要旨: 多変量時系列の異常検知のための深層生成モデルは、通常データ尤度を最大化することで学習される。しかし、観測空間における尤度は、構造化された時系列ダイナミクスへの適合性ではなく周辺密度を測定するため、異常や分布外のサンプルに対して高い確率を割り当てる可能性がある。我々はこの構造的制限に対処するため、異常の概念を所定の潜在空間へ再配置する。条件付き正規化フローに明示的な帰納的バイアスを導入し、潜在表現が所定の時系列ダイナミクスに従って発展するよう制約する離散時間状態空間フレームワーク内で時系列観測をモデル化する。この定式化の下では、期待される挙動は潜在軌道に対する指定分布への適合を意味し、異常はこれらのダイナミクスの逸脱として定義される。異常検知はしたがって統計的に基づく適合性検定に還元され、観測は潜在空間へ写像され、所定の潜在進化に対して適合度検定で評価される。これにより、観測尤度が高い領域でも有効である原理的な意思決定規則が得られる。合成データと実世界の時系列を用いた実験は、周波数、振幅、観測ノイズの点で異常を信頼性高く検出できることを示し、モデルの適合性の解釈可能な診断を提供する。