【Donut论文】Unsupervised anomaly detection via variational auto-encoder for seasonal kpis...

简述

本文提出的 Donut，基于 VAE（代表性的深层生成模型）的无监督异常检测算法，伴有理论解释，可以无标签或偶尔提供的标签下学习。

本文贡献

1，Donut 里的三项技术：改进的 ELBO，缺失数据注入进行训练以及为了检测的 MCMC (imputation) 借补法。使它大大超越了最新的监督类和基于 VAE 的异常检测算法。 对于来自顶级全球互联网公司的研究 KPI，无监督 Donut 的最佳 F-score 在 0.75 到 0.9 之间。

2，在文献中，我们首次发现采用变分自动编码器 Variational Auto-Encoder（或一般而言的生成模型）进行异常检测需要对正常数据和异常数据进行训练，这与通常的直觉相反。

3，我们为 Donut 在 z 空间中提出了一种新颖的 KDE 解释，使其成为第一个基于 VAE 的具有可靠理论解释的异常检测算法。这种解释可能有益于异常检测中其他深度生成模型的设计。 我们发现了潜在 z 空间中的时间梯度效应，很好地说明了 Donut 在检测季节性 KPI 异常方面的出色性能。

详情看Github博客

模型部分

实验部分

Reference

Xu H, Chen W, Zhao N, et al. Unsupervised anomaly detection via variational auto-encoder for seasonal kpis in web applications[C]//Proceedings of the 2018 World Wide Web Conference. 2018: 187-196.