融合transformer和对抗学习的多变量时间序列异常检测算法TranAD论文和代码解读...

一、前言

今天的文章来自VLDB

TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data

• 论文链接：https://arxiv.org/pdf/2201.07284v6.pdf

• 代码地址：https://github.com/imperial-qore/TranAD

二、问题

在文章中提出了对于多变量异常检测的几个有挑战性的问题

1. 缺乏异常的label

2. 大数据量

3. 在现实应用中需要尽可能少的推理时间（实时速度要求高）

在本文中，提出了基于transformer的模型TranAD，该模型使用基于注意力机制的序列编码器，利用数据中更广泛的时间趋势快速推断。TranAD使用基于score的自适应来实现鲁棒的多模态特征提取以及通过adversarial training以获得稳定性。此外，模型引入元学习(MAML)允许我们使用有限的数据来训练模型。

三、方法

3.1 问题定义

一个时间序列因为是多变量时间序列，每一个X是一个大小为m的向量，即该序列有m个特征。

该工作定义了两种任务

1. Anomaly Detection（检测）:给予一个序列来预测目前时刻的异常情况（0或者1），1代表该数据点是异常的。

2. Anomaly Diagnosis（诊断）: 文中这块用denote which of the modes of the datapoint at the -th timestamp are anomalous.来描述，其实就是判断是哪几个维度的特征（mode）导致的实体的异常，诊断到维度模式的程度。

3.2 数据预处理

对数据做normalize，数据的保存形式，是一个实体一个npy文件，维度是（n, featureNum）

对数据进行滑窗，这里对于windowSize之前的数据并不舍去，而是用前面的数据直接复制，代码如下：

windows = []; w_size = model.n_window
 for i, g in enumerate(data): 
  if i >= w_size: w = data[i-w_size:i]
  else: w = torch.cat([data[0].repeat(w_size-i, 1), data[0:i]])

3.3 模型

先看一下transformer的模型图。

模型本身和TranAD除了有两个decoder其他基本上完全一样，这里结构不赘述了，具体看

• transformer的论文： https://arxiv.org/pdf/1706.03762.pdf

• 代码：https://pytorch.org/docs/stable/generated/torch.nn.Transformer.html (推荐看官方的trasnformer代码，直接看源码实现)

TranAD也省去了decoder中feed forward后的add&Norm，softmax也更改为sigmoid，文中提到sigmoid是把输出的数据拟合到输入数据的归一化状态中，即【0， 1】范围内。

这个图其实十分清晰，这个方法最大的创新不在模型本身，甚至模型没什么改动，主要引入了对抗训练的思想 解释下其中的变量

• W为输入的窗口数据（前面数据预处理页提到了窗口数据的生成）

• Focus Score是和W一样维度的变量，在第一阶段为0矩阵，第二阶段是通过W和O1的计算得出

• C W的最后一个窗口数据

这个C变量，文中这样说。

其实看给的代码最好理解

elif 'TranAD' in model.name:
  l = nn.MSELoss(reduction = 'none')
  data_x = torch.DoubleTensor(data); dataset = TensorDataset(data_x, data_x)
  bs = model.batch if training else len(data)
  dataloader = DataLoader(dataset, batch_size = bs)
  n = epoch + 1; w_size = model.n_window
  l1s, l2s = [], []
  if training:
   for d, _ in dataloader:
    local_bs = d.shape[0]
    window = d.permute(1, 0, 2) // 这个就是W
    elem = window[-1, :, :].view(1, local_bs, feats)  // 这个就是C
    z = model(window, elem)
    l1 = l(z, elem) if not isinstance(z, tuple) else (1 / n) * l(z[0], elem) + (1 - 1/n) * l(z[1], elem)
    if isinstance(z, tuple): z = z[1]
    l1s.append(torch.mean(l1).item())
    loss = torch.mean(l1)
    optimizer.zero_grad()
    loss.backward(retain_graph=True)
    optimizer.step()
   scheduler.step()
   tqdm.write(f'Epoch {epoch},\tL1 = {np.mean(l1s)}')
   return np.mean(l1s), optimizer.param_groups[0]['lr']

这里比较大的创新在于第一阶段和第二阶段的训练。

• 第一阶段：为了更好的重构序列数据，和大部分encoder-decoder模型的作用没有什么不同

• 第二阶段：引入对抗性训练的思想。

解读这个训练阶段之前，先把模型代码过一下。

class TranAD(nn.Module):
 def __init__(self, feats):
  super(TranAD, self).__init__()
  self.name = 'TranAD'
  self.lr = lr
  self.batch = 128
  self.n_feats = feats
  self.n_window = 10
  self.n = self.n_feats * self.n_window
  self.pos_encoder = PositionalEncoding(2 * feats, 0.1, self.n_window)
  encoder_layers = TransformerEncoderLayer(d_model=2 * feats, nhead=feats, dim_feedforward=16, dropout=0.1)
  self.transformer_encoder = TransformerEncoder(encoder_layers, 1)
  decoder_layers1 = TransformerDecoderLayer(d_model=2 * feats, nhead=feats, dim_feedforward=16, dropout=0.1)
  self.transformer_decoder1 = TransformerDecoder(decoder_layers1, 1)
  decoder_layers2 = TransformerDecoderLayer(d_model=2 * feats, nhead=feats, dim_feedforward=16, dropout=0.1)
  self.transformer_decoder2 = TransformerDecoder(decoder_layers2, 1)
  self.fcn = nn.Sequential(nn.Linear(2 * feats, feats), nn.Sigmoid())

 def encode(self, src, c, tgt):
  src = torch.cat((src, c), dim=2)
  src = src * math.sqrt(self.n_feats)
  src = self.pos_encoder(src)
  memory = self.transformer_encoder(src)
  tgt = tgt.repeat(1, 1, 2)
  return tgt, memory

 def forward(self, src, tgt):
  # Phase 1 - Without anomaly scores
  c = torch.zeros_like(src)
  x1 = self.fcn(self.transformer_decoder1(*self.encode(src, c, tgt)))
  # Phase 2 - With anomaly scores
  c = (x1 - src) ** 2
  x2 = self.fcn(self.transformer_decoder2(*self.encode(src, c, tgt)))
  return x1, x2

从代码可以看出来，虽然图中画的Window Encoder对于Decoder1和2来说是shared，但其实是分开的。

分别用transformer_decoder1和transformer_decoder2实现的。

第一阶段   Input Reconstruction

很多传统的encoder-decoder模型经常不能够获取short-term的趋势，会错过一些偏差很小的异常，为了解决这个问题，采用两个阶段的方式来进行重构。

在第一阶段，模型的目标是生成和输入窗口数据近似的reconstruction。对于这个推断的偏差，称之为focus score，有助于Transformer Encoder内部的注意力网络提取时间趋势，关注偏差高的子序列。（理解其实就是用与真实值的残差去拟合偏差高的序列，在第二阶段）

第一阶段下的focus score是0矩阵，与输入windows数据一致，输出O，与W计算L2 loss作为第一阶段的loss函数。

注意代码中的encode的部分，是将C和focus score直接concat再乘以sqrt（featureNum），之后再经过位置编码，其实文中只顺带说了一下而已，没有说为什么这么做，我个人倾向于为了将C和focus score信息放在一起，已concat常见的尝试揉在了一起。

第二阶段

将第一阶段O1与W的L2 loss作为focus score，在进行之前的步骤。这可以在第二阶段调整注意力权重，并为特定输入子序列提供更高的神经网络激活，以提取短期的时间趋势（这句话是文中说的，和我前面的那里理解基本上差不多）。

之后算是比较重点的地方了，引入对抗训练的思想，来设计第二阶段的loss这个地方十分的绕，建议大家读读原文的3.4 Offline Two-Phase Adversarial Training的Evolving Training Objective部分

• 第二个decoder尽力去区分输入和第一阶段decoder1的重建，所以是max O2这个L2 loss（这里就会有疑问，decoder1的重建不是O1吗？为啥要max ||O2-W||2? 这里我从作者的角度去理解，其实他是一种条件近似转移，因为O1和O2再第一阶段都是近似W，那区别于第一阶段的decoder1的重建O1，其实就是区别于O2）

• 第一个decoder尽力去通过创建一个接近W的O1来迷惑decoder2（其实就是想让这个focus score接近于0矩阵），其实就是min(W和O1)，其实转移也就是min（W和O2），所以得到了下面这个公式

可以分解为：

再加上第一阶段的loss，总loss就是：

这里又对decoder1和decoder2做了明确的解释：

看代码理解

之后我们看下代码里的区别，代码里其实根本就没有算O2，只算了O1

在做反向传播，优化参数的时候也只算了L1的总loss，没有算L2

这里有个z的type判别，因为做了很多消融实验，不是最终的模型，最终就是后面那个L1loss，其中前面有个参数，是epoch+1，参数会随着训练轮数的增加，倒数慢慢变小，即前面的第一阶段的loss慢慢权重减小，而第二阶段的loss慢慢权重增大。

其实这也给出了一个我个人感觉非常合理的解释，因为第二阶段要附属于第一阶段的训练，应该先让O1和O2接近于W，之后才能去用对抗训练，这样才会让第二阶段训练有效，否则就混乱了。

现在再理解下这个，就完全明白了：

测试阶段，引入了阈值自动选择（POT，但代码中没有看到这的设置），以及score的计算

四、结果

对于异常的定义，是score大于阈值就是异常。

任意一个维度有异常就算作是异常，感觉这样描述本质上还是单序列的异常检测，没有从根本解决多变量的问题。

4.1 数据集

大部分常用数据集

4.2 结果

每一个维度都有reconstruction，并且每个维度都有对应的score，不得不说这个图示还是很清晰的，构建很清晰易懂。

后面还有各种实验，参数灵敏度、数据集等实验，这篇paper实验部分还是很满的，整体来说，工作量还是拉满的。

本文也对两种任务都做了实验，异常检测部分不用说了，常规操作，诊断部分采用 HitRate and NDCG两种指标进行root cause的检验。

五、总结和思考

1. 对于代码，给出了每个对比模型和数据集，可以为后续实验做参考，并给出了整体消融实验的代码，代码还是很全面的，虽然有一些杂乱，但对于一个要做这个方向的同学来说，还是相当于巨人的肩膀的。

2. 把transformer和对抗性训练放在一起，确实是很新颖的想法

3. 在代码处O2部分为何省略存疑，以及第二阶段的loss，其实有点套的生硬，为何不都引到O1上，假设引到O1上，那loss1就只剩下L2 loss了，可能在公式上就并非这种对称了。

4. 存疑的点就是 代码中在训练过程中并未对L2进行训练，这样的话O2是否像理论说的那样输出工作？

5. 诊断的定义和诊断任务的探索，其实是有一些生硬的，并且也没完全说清楚，当然这篇文章标题是anomaly detection，其实并未将diagnosis算重点，所以这个也可以接受。

6. 文章的标题是多变量的异常检测，其实虽然可以应用在多变量上，但实际还是单变量的异常来判别是否是多变量的整体实体的异常，本质还是用单变量问题解决多变量（这里可以探究一下，因为最终的score是由loss决定，而loss本身的维度是和输入的window数据一样的维度，意思就是每一个特征维度有一个score，所以其实得到的score还是单变量的score而并非实体的score，所以这里作者也没有探究多变量pattern的情况，可能存在多个变量异常，但只是一个跳变的pattern，不足以让整体异常的情况。）

7. 代码里也没给出POT的相关代码。

推荐阅读：

我的2022届互联网校招分享

我的2021总结

浅谈算法岗和开发岗的区别

互联网校招研发薪资汇总
2022届互联网求职现状，金9银10快变成铜9铁10！！

公众号：AI蜗牛车

保持谦逊、保持自律、保持进步

发送【蜗牛】获取一份《手把手AI项目》（AI蜗牛车著）
发送【1222】获取一份不错的leetcode刷题笔记

发送【AI四大名著】获取四本经典AI电子书