EVOLVE: previsione delle anomalie nelle serie temporali multivariate che tiene conto dell’incertezza, con memorie adattive di prototipi

Abstract degli autori

La previsione non supervisionata delle anomalie (AP) nelle serie temporali multivariate mira a stimare il rischio di anomalie future a partire dalle osservazioni attuali, fornendo segnali di allerta precoce per interventi e manutenzione proattivi nei sistemi complessi. I metodi esistenti di AP non supervisionata seguono un approccio basato sulle perturbazioni: introducono perturbazioni predefinite o casuali nelle finestre di dati storici per simulare un’evoluzione futura anomala. Tuttavia, applicano le stesse perturbazioni a variabili e contesti diversi e apprendono un’evoluzione deterministica dal passato al futuro. In realtà, l’evoluzione delle anomalie dipende dalla variabile e dal contesto: la stessa perturbazione può amplificarsi fino a produrre dinamiche future anomale in una variabile o in un contesto, mentre in un altro può essere assorbita come normale fluttuazione. Inoltre, una finestra di dati storici non determina univocamente l’evoluzione futura, poiché storie simili possono sfociare in più traiettorie plausibili, come un degrado graduale o cambiamenti bruschi. Per affrontare questi problemi proponiamo EVOLVE, un framework unificato che modella l’AP non supervisionata mediante perturbazioni condizionate dalla variabile e dal contesto e un ragionamento sul futuro che tiene conto dell’incertezza. EVOLVE costruisce perturbazioni anomale specifiche per il contesto attraverso una memoria adattiva di prototipi di anomalie, capace di aggiornare dinamicamente e recuperare perturbazioni pertinenti a livello delle singole variabili. EVOLVE modella l’incertezza campionando più stati storici latenti e decodificandoli secondo ipotesi complementari di evoluzione regolare e di evoluzione che amplifica le deviazioni; la divergenza tra le traiettorie future così decodificate viene usata per stimare il rischio di anomalie future. Ampi esperimenti su sei dataset benchmark tratti dal mondo reale mostrano che EVOLVE supera sistematicamente i metodi di riferimento allo stato dell’arte per la previsione delle anomalie.