시계열 데이터 기반의 이상치 검출을 위한 설명 가능한 그래프 신경망 구조 개발 (Explainable Graph Neural Network-based Time Series Anomaly Detection)

서지정보

· 발행기관 : 대한전자공학회
· 수록지 정보 : 전자공학회논문지 / 62권 / 1호 / 83 ~ 90페이지
· 저자명 : 이준호, 박예인, 조민지, 강석주

초록

시계열 이상 탐지는 시간에 따라 변하는 데이터에서 비정상적인 패턴을 식별하는 것을 목표로 한다. 여러 연구에서 이상 탐지의 설명 가능성을 높이기 위해 설명 가능한 인공지능을 점점 더 많이 사용하고 있다. 그러나 전통적인 접근 방식은 기존에 존재하는 특징과 다른 특징을 효과적으로 고려하지 못한다. 이 문제를 해결하고자, 우리는 모델 출력에 대한 입력 특징의 중요성을 이해하기 위해 shapley additive explanations를 적용하는 새로운 프레임워크를 제안한다. 구체적으로, 이상치가 높은 특징은 주어진 모델 학습에 부정적인 영향을 미친다. 따라서 우리는 중요도에 따라 shapley additive explanations를 기반으로 특징을 선택하고 이를 학습에 사용한다. 추가적으로, 주어진 데이터를 그래프 구조로 변환한 후에 웨이블릿 변환을 적용하여 이상치를 강조하는 방법을 제안한다. 이 프레임워크는 모델이 이상치를 식별하기 쉽게 할 뿐만 아니라 모델의 설명 가능성을 높인다. 널리 사용되는 벤치마크 데이터셋에 대한 평가에서 우리의 방법이 이전 방법들보다 우수한 것을 검증하였다. 우리의 프레임워크는 이전 방법들 대비 F1 score를 10% 향상하였다.

영어초록

Time series anomaly detection aims to identify unusual patterns that emerge over time in given data. Several studies have been increasingly used the explainable artificial intelligence in various tasks to enhance the explainability of the anomaly detection. However, traditional research has not effectively considered features that differ significantly from existing feature. In order to solve this problem, we introduce a novel framework that applies shapley additive explanations to understand the importance of input features on the model output. Specifically, dissimilar features have the negative effect on learning a given model. Therefore, we selected features based on shap values according to their importance and used them in training. Additionally, we present a method that transforms the given data into a graph structure and applies wavelet transformation to highlight anomalies. This framework not only makes it easier for the model to identify anomalies but also enhances the explainability of the model. Evaluation on widely-used benchmark datasets shows our method outperforms the previous methods. Our framework achieves 10% F1 score improvements compared to the previous methods.

참고자료

· 없음