共同情報保持による敵対的に頑健な多変量時系列異常検知

要旨: 時系列異常検知（TSAD）は複雑なシステムの監視における重要な構成要素である一方、近年の深層学習ベースの検知器は、局所的な入力の破損や構造化ノイズに対してしばしば非常に高い感度を示します。そこで本研究では、ARTA（Adversarially Robust 多変量時系列異常検知のための共同情報保持）を提案します。これは、原理に基づくミニマックス最適化目的によって検知器の頑健性を向上させる共同学習フレームワークです。ARTA は、異常検知器と、疎性制約付きのマスク生成器から構成され、これらを同時に学習させます。生成器は、検知器の異常スコアを最大限に押し上げる、最小限のタスクに関連した時間的摂動を特定し、一方で検知器は、これらの構造化された摂動の下でも安定性を保つように最適化されます。得られるマスクは、敵対的な時間的破損に対する検知器の感度を特徴づけ、検知器の判断に対する説明的な信号として利用できます。この敵対的学習戦略は、脆い判断の経路を露出させ、見せかけの局所的アーティファクトではなく、分散し安定した時間的パターンに依存することを検知器に促します。TSB-AD ベンチマークに対して大規模な実験を行い、ARTA が多様なデータセットにわたって一貫して異常検知性能を改善し、最先端のベースラインと比べてノイズレベルが増加するにつれ有意により良好（よりなだらか）に性能劣化することを示します。