[GCAD] Anomaly Detection in Multivariate Time Series from the Perspective of Granger Causality

Graph based Anomaly Detection in Multivariate Time Series from the Perspective of Granger Causality

[2501.13493] GCAD: Anomaly Detection in Multivariate Time Series from the Perspective of Granger Causality

GitHub - ditschuk/pytorch-tsmixer: A pip-installable PyTorch implementation of TSMixer, providing an easy-to-use and efficient solution for time-series forecasting.

​GitHub - Tc99m/GCAD: This is a PyTorch implementation of the paper: GCAD: Anomaly Detection in Multivariate Time Series from the Perspective of Granger Causality, published in AAAI-2025.

Bing 동영상

Granger Causality-based multivariate time series Anomaly Detection method (GCAD)​ ==> Granger Causality Graph Net 기반 Anmality Detection

Source : [논문 리뷰] GCAD: Anomaly Detection in Multivariate Time Series from the Perspective of Granger Causality (AAAI 2025)

​시계열 데이터는 물 공급 시스템, 항공 우주 및 서버 시스템과 같은 많은 산업 시스템에서 생성됨. 이러한 시스템은 복잡한 내부 의존성과 비선형 관계를 나타내는데, 관련 분야의 급속한 발전으로 인해 센서에서 생성된 대량의 모니터링 데이터에서 시스템 이상을 발견하는 것이 중요한 문제가 되었음.

최근 Graph Neural Network (GNN)은 변수 간의 공간적 의존성을 효과적으로 포착하여 시계열수정 이상 탐지에서 큰 잠재력을 보여주었는데, 기존 방식은 그래프를 학습한 후 재구성 또는 예측 오차를 기반으로 이상 탐지를 수행하였는데, 이는 시계열 임베딩 벡터 간의 유사성만 학습할 뿐, 그래프가 시계열 진화에 미치는 역할에 대한 해석력이 부족함. 실제 이상은 종종 의존성 구조의 변화를 동반하게 됨.

따라서 인과관계가 해석 가능한 의존성 구조 학습이 이상 탐지에 효과적이나, 현실 시스템은 복잡하고 많은 비선형성이 존재하여 데이터 기반으로 해석 가능한 관계 학습이 어려움.

이를 해결하기 위해 본 논문에서는 Granger Causality-based multivariate time series Anomaly Detection method (GCAD)를 제안

Related Works

  <o:p></o:p>

Multivariate Time Series Anomaly Detection

  <o:p></o:p>

초기 방법들은 ARIMA와 같은 통계 기반 모델에 집중하였음

최근에는 딥러닝 기법들이 널리 활용되고 있으며, 이는 비선형 관계를 효과적으로 학습하지만, 기존 방법들은 변수들 간의 공간적 종속성을 명시적으로 잘 모델링 하지 못하였음

GNN은 변수 간 공간적 종속성을 모델링하는 데 유용하며, 그래프 구조가 없는 경우 adaptive graph learning module을 통해 학습함.

  <o:p></o:p>

하지만 기존 GNN 기반 방법들은 공간적 종속성 패턴을 이상 탐지에 직접 적용하지는 않았음

Inter-sequence Correlations Modeling

  <o:p></o:p>

대부분의 GNN 기반 방법(VGCRN, FuSAGNet)은 임의로 초기화된 임베딩 벡터를 사용하여 고정된 그래프 구조를 구성하며, 이를 통해 공간적 의존성을 모델링함

  <o:p></o:p>

하지만 downstream task를 기반으로 하는 최적화 방법은 안정적이고 의미 있는 그래프 구조를 생성하지 못할 수 있음

Self-attention 기반 방법들은 동적으로 각 시점에 맞는 그래프 구조를 생성할 수 있으나, 무작위로 초기화된 attention network 때문에 실제 의미 있는 공간 관계를 학습하지 못할 수 있음

과거 연구들은 간단한 선형 통계 모델에 기반한 Granger causality를 이용해 시퀀스 간 공간 관계를 모델링하려 하였으나, 복잡한 비선형 의존성은 설명하지 못함

  <o:p></o:p>

본 연구의 GCAD 프레임워크는 다변량 시계열 간의 Granger causality를 추출하고 test set의 causal pattern으로부터 anomaly를 식별하는 것을 목표로 함. 이는 주로 다음 네 파트로 구성됨.

  <o:p></o:p>

Prediction-based Gradient Generator

  <o:p></o:p>

예측 방법을 활용하여 학습을 안내하고 causality discovery 단계에서 channel-separated gradient를 제공

Granger Casuality Discovery

  <o:p></o:p>

Gradient generator에서 생성된 gradient로부터 Granger causal 관계를 동적으로 추론함

Causality Graph Sparcification

  <o:p></o:p>

발견된 causal 관계에 sparsity 제약 조건을 적용하여 causality graph matrix를 얻음

Causal Deviation Scoring

  <o:p></o:p>

Causal pattern deviation score를 계산하고 시간 정보를 통합하여 이상을 탐지