Dissertação

{en_GB=Unsupervised Anomaly Detection in Time Series Data using Deep Learning} {} EVALUATED

{pt=Detetar anomalias em séries temporais é um problema importante em áreas como energia, saúde e segurança. O progresso feito em deteção de anomalias tem sido baseado em abordagens que usam algoritmos supervisionados de aprendizagem automática que requerem grandes conjuntos de dados anotados para ser treinados. No entanto, no contexto das aplicações, colecionar e anotar conjuntos de dados em grande escala é um processo difícil, demorado ou até demasiado caro, ao mesmo tempo que requer conhecimento do assunto por especialistas da área de aplicação. Por isso, a deteção de anomalias tem sido um grande desafio para investigadores e profissionais. Esta Tese propõe uma abordagem genérica, não supervisionada e escalável para deteção de anomalias em séries temporais. A abordagem proposta é baseada num auto-codificador variacional, um modelo generativo profundo que combina inferência variacional com aprendizagem profunda. Por outro lado, a arquitetura integra redes neuronais recorrentes para capturar a natureza sequencial das séries temporais e as suas dependências temporais. Além disso, é introduzido um mecanismo de atenção para melhorar o desempenho do processo de codificação-descodificação. Os resultados em dados de geração solar fotovoltaica e de electrocardiogramas mostram a capacidade do modelo proposto para detetar padrões anómalos em séries temporais de diferentes áreas de aplicação, ao mesmo tempo fornecendo representações estruturadas e expressivas dos dados., en=Detecting anomalies in time series data is an important task in areas such as energy, healthcare and security. The progress made in anomaly detection has been mostly based on approaches using supervised machine learning algorithms that require big labelled datasets to be trained. However, in the context of applications, collecting and annotating such large-scale datasets is difficult, time-consuming or even too expensive, while it requires domain knowledge from experts in the field. Therefore, anomaly detection has been such a great challenge for researchers and practitioners. This Thesis proposes a generic, unsupervised and scalable framework for anomaly detection in time series data. The proposed approach is based on a variational autoencoder, a deep generative model that combines variational inference with deep learning. Moreover, the architecture integrates recurrent neural networks to capture the sequential nature of time series data and its temporal dependencies. Furthermore, an attention mechanism is introduced to improve the performance of the encoding-decoding process. The results on solar energy generation and electrocardiogram time series data show the ability of the proposed model to detect anomalous patterns in time series from different fields of application, while providing structured and expressive data representations.}
{pt=Deteção de Anomalias, Séries Temporais, Auto-Codificadores Variacionais, Redes Neuronais Recorrentes, Mecanismos de Atenção, en=Anomaly Detection, Time Series, Variational Autoencoder, Recurrent Neural Networks, Attention Mechanism}

Novembro 23, 2018, 11:30

Orientação

ORIENTADOR

Francisco Miguel Pereira Gonçalves

C-Side

Engenheiro

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar