Human-Interpretable Rules for Anomaly Detection in Time-series - Université Toulouse III - Paul Sabatier - Toulouse INP Accéder directement au contenu
Communication Dans Un Congrès INTERNATIONAL CONFERENCE ON EXTENDING DATABASE TECHNOLOGY Année : 2021

Human-Interpretable Rules for Anomaly Detection in Time-series

Règles interprétables par l'homme pour la détection d'anomalies dans les séries temporelles

Résumé

Anomaly detection in time series is a widely studied issue in manyareas. Anomalies can be detected using rule-based approachesand human-interpretable rules for anomaly detection refer torules presented in a format that is intelligible to analysts. Learningthese rules is a challenge but only a few works address the issue ofdetecting different types of anomalies in time-series. This paperpresents an extended decision tree based on patterns to generatea minimized set of human comprehensible rules for anomalydetection in univariate times-series. This method uses Bayesianoptimization to avoid manual tuning of hyper-parameters. Wedefine a quality measure to evaluate both the accuracy and theintelligibility of the produced rules. Experiments show that ourapproach generates rules that outperforms the state of- the-artanomaly detection techniques.
Les règles interprétables par l'homme pour la détection d'anomalies se réfèrent à des données anormales présentées dans un format qui ne peut pas être intelligible pour les analystes. L'apprentissage de ces règles est un problème difficile, alors que seuls quelques travaux abordent le problème des différents types d'anomalies dans les séries temporelles. Cet article présente un arbre de décision étendu basé sur des modèles pour générer un ensemble minimisé de règles compréhensibles par l'homme pour la détection d'anomalies dans des séries temporelles univariées. Cette méthode utilise l'optimisation bayésienne pour éviter le réglage manuel des hyper-paramètres. Nous définissons une mesure de qualité pour évaluer à la fois l'exactitude et l'intelligibilité des règles produites. Les performances de la méthode proposée sont évaluées expérimentalement sur des ensembles de données réels et de référence. Les résultats montrent que notre approche génère des règles qui surpassent les techniques de détection d'anomalies de pointe.
Fichier principal
Vignette du fichier
p81.pdf (567.95 Ko) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-03205628 , version 1 (22-04-2021)

Licence

Paternité

Identifiants

Citer

Inès Ben Kraiem, Faiza Ghozzi, André Péninou, Geoffrey Roman-Jimenez, Olivier Teste. Human-Interpretable Rules for Anomaly Detection in Time-series. 24th International Conference on Extending Database Technology (EDBT 2021), University of Cyprus, Mar 2021, Nicosia (virtual), Cyprus. pp.457-462, ⟨10.5441/002/edbt.2021.51⟩. ⟨hal-03205628⟩
236 Consultations
101 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More