SMKC：可変カーディナリティ時系列異常検知のためのスケッチに基づくカーネル相関画像

TL;DR（結論）

従来の多変量時系列異常検知は変数の数が不変であることを前提としていたが、実際の運用環境ではセンサーの追加・削除・名称変更といった「センサーの入れ替わり」が頻繁に発生し、入力の次元数が変動するという課題がある。 提案手法のSMKCは、符号付き機能ハッシュを用いて任意の数の入力を固定サイズのハッシュ状態シーケンスに変換し、さらに時間的構造を捉えるためのハイブリッドカーネル画像を構築することで、変数の数や順序に依存しない頑健な表現学習を実現している。 検証の結果、学習を行わないランダム投影とk近傍法を組み合わせた手法でも既存の学習済みモデルに匹敵する性能を示し、特に対数距離チャネルが異常の識別において重要な役割を果たすことが明らかになったほか、計算コストを大幅に削減する手法も提案されている。

なぜこの問題か

多変量時系列データにおける異常検知は、システムの故障やサイバー攻撃、性能低下を監視するための基盤技術であるが、既存の多くの学習ベースの検出器には運用上の大きな制約が存在する。それは、観測される変数のセットが静的であり、入力の次元数や各チャネルの意味が学習時とテスト時で不変であるという強い仮定に基づいている点である。しかし、実際の産業現場やITインフラの運用環境では、新しいメトリクスの導入や古いセンサーの廃止、さらには命名規則の変更といった「センサーの入れ替わり（sensor churn）」が日常的に発生している。このような動的な環境では、データのウィンドウごとに含まれる変数の数、すなわちカーディナリティが異なり、学習時には存在しなかった未知の変数がテスト時に現れることも珍しくない。 USADやTranAD、Anomaly Transformerといった代表的な深層学習モデルは、特定のチャネルインデックスにパラメータを固定したり、固定された変数セット間の依存関係を学習したりするため、変数の構成が変わるたびにパディングや再学習、あるいは手動のエンジニアリングが必要になる。…

核心：何を提案したのか

本論文では、動的な入力構造を異常検出器から切り離すための新しいフレームワークとして、SMKC（Sketch Based Kernel Correlation Images）を提案している。この手法の核心は、変数の数や順序がどのように変化しても、常に固定された形状の表現を生成できる二段階のパイプラインを構築した点にある。第一段階では、符号付き機能ハッシュ（Signed Feature Hashing）を用いて、生の入力ウィンドウを固定幅の「ハッシュ状態シーケンス」へとマッピングする。このプロセスは変数に対して置換不変（Permutation Invariant）であり、変数の識別子を決定論的にハッシュ化するため、未知の変数が現れても再学習なしで対応が可能である。…

続きはログイン/プランで閲覧できます。