单指标时间序列异常检测——基于重构概率的变分自编码(VAE)代码实现(详细解释)

Posted smile-yan

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了单指标时间序列异常检测——基于重构概率的变分自编码(VAE)代码实现(详细解释)相关的知识,希望对你有一定的参考价值。

1. 编写目的

不少论文都是基于VAE完成的异常检测,比如 Donut 、Bagel。尽管 Donut 实现的模型很容易通过继承于重写父类方法的方式实现一个 VAE-baseline,并且 Bagel 中自带了一个 VAE-baselina(感兴趣的小伙伴可以前去查看一下源码),但为了简化过程,详细解释 VAE 用于单指标时间序列异常检测的方法,我重新实现了一个简单的 VAE-baselina,并进行了详细的解释,希望可以帮助到需要的小伙伴们。

可以的话,点个赞并发表评论吧 ~ 一定回复 ~~

2. 参考资料

名称链接
vae + 重构概率 => 异常检测https://blog.csdn.net/smileyan9/article/details/109255466
donut 进行了一定的改进的 vaehttps://blog.csdn.net/smileyan9/article/details/112307506
Bagel 条件变分自编码https://smileyan.blog.csdn.net/article/details/113463339
tensorflow官网实现->卷积 vaehttps://tensorflow.google.cn/tutorials/generative/cvae
龙书作者 vae 源码https://github.com/dragen1860/TensorFlow-2.x-Tutorials/blob/master/12-VAE/main.py

版权声明

未经本人 (smile-yan) 允许,不得转发与转载。

3. 源代码

整个项目的源码地址为:https://github.com/smile-yan/vae-anomaly-detection-for-timeseries,觉得可以的话,顺手点个星星吧,感谢~

3.1 网络结构

图片源地址为龙书作者开源地址 https://github.com/dragen1860/TensorFlow-2.x-Tutorials/tree/master/12-VAE

我们简化整个过程,写到 VAE 的初始化函数中如下所示:

class VAE(tf.keras.Model):
    def __init__(self, latent_size=4):
        super(VAE, self).__init__()
        # 与输入数据对接
        self.fc1 = tf.keras.layers.Dense(100)
        # fc1 => μ and log σ^2
        self.fc2 = tf.keras.layers.Dense(latent_size)
        self.fc3 = tf.keras.layers.Dense(latent_size)

        # decode  
        self.fc4 = tf.keras.layers.Dense(100)
        # 试图还原原始数据
        self.fc5 = tf.keras.layers.Dense(120)

所以这个部分可以概述为 fc1 与 fc2 构成了 encode 的过程,此过程完成以后,我们可以得到由 μ \\mu μ log ⁡ σ 2 \\log \\sigma^2 logσ2 组成的隐变量。

而 decode 过程则是分两步还原原始数据。

3.2 encode 过程

初始化过程只是初始化我们要用的变量,真正的 编码过程从这个函数开始,这个过程是非常简单的,可以看作盲盒降维操作。

    def encode(self, x):
        """encode过程,返回 μ 和 log σ^2
        :param x: 单窗口数据
        :return:  μ 和 log σ^2
        """
        h = tf.nn.relu(self.fc1(x))
        # mu, log_variance
        return self.fc2(h), self.fc3(h)

3.3 decode 过程

为了重用方便,将 decode 按照是否使用 sigmoid 函数分为两个过程,这个与 https://tensorflow.google.cn/tutorials/generative/cvae 的 decode 函数添加一个参数的效果是一样的。

    def decode_logits(self, z):
        h = tf.nn.relu(self.fc4(z))
        return self.fc5(h)

    def decode(self, z):
        return tf.nn.sigmoid(self.decode_logits(z))

3.4 概率密度方法(Probability Density Function)

decode 过程可以分为两个步骤,如下面右图所示,可以理解为 g ( z ) g(z) g(z) 对应的是一个数据分布,而 g ( z ) g(z) g(z) 以后的就是重构数据,也就是说重构数据可以理解为从这个分布中采样而得到的,当然,深度神经网络采样过程是模糊的,所以这样的对应关系可以理解为采样得到的,至于怎么采样就是神经网络的参数调整过程了。

所以训练目标,就是使得得到的分布 g ( z ) g(z) g(z) 中采样得到的 x ′ x' x 尽可能地接近于观测数据 x x x。接下来我们计算重构概率就是基于这个理论:

使用正常数据训练模型后,对于测试数据 x t x_t xt

  • 如果它是正常数据,那么它在 g ( z ) g(z) g(z) 对应的分布中,分布密度较大;
  • 如果它是异常数据,那么它在 g ( z ) g(z) g(z) 对应的分布中,分布密度较小。

所以计算一个测试数据的重构概率,实质就是计算这个 g   ( z ) g\\ (z) g (z) 分布中的分布密度。

考虑到没有基础的小伙伴们,现在我们快速需要介绍一下分布密度的计算:

这里是参考维基百科的内容 https://en.wikipedia.org/wiki/Probability_density_function :

更一般的情况,我们会计算分布密度的对数值,这里做一个简单的公式推导:

log_normal_pdf  ( x ; μ , σ 2 ) = log ⁡ 1 σ 2 π   e − 1 2 ( x − μ σ ) 2 = − log ⁡   ( σ 2 π ) − 1 2 ( x − μ σ ) 2 = − log ⁡ σ − 1 2 log ⁡ 2 π − 1 2 ( x − μ σ ) 2 = − 1 2 ( log ⁡ σ 2 + log ⁡ 2 π + ( x − μ ) 2 σ 2 ) (1) \\textlog\\_normal\\_pdf\\ (x; \\mu, \\sigma^2) = \\log \\frac1\\sigma\\sqrt2\\pi \\ e^-\\frac12(\\fracx-\\mu\\sigma)^2 \\\\ = - \\log\\ (\\sigma \\sqrt2\\pi) - \\frac12(\\fracx-\\mu\\sigma)^2 \\\\ = - \\log \\sigma - \\frac12 \\log 2\\pi - \\frac12(\\fracx-\\mu\\sigma)^2 \\\\ = -\\frac12\\bigl(\\log \\sigma^2 + \\log 2\\pi + \\frac(x-\\mu)^2\\sigma^2\\bigr) \\tag1 log_normal_pdf (x;μ,σ2)=logσ2π 1 e21(σxμ)2=log (σ2π )21(σxμ)2=logσ21log2π21(σxμ)2=21(logσ2+log2π+σ2(xμ)2)(1)

所以我们可以得到一个 log_normal_pdf 的 python 代码,如下所示:

def log_normal_pdf(sample, mean, log_var, axis=1):
    log2pi = tf.math.log(2. * np.pi)
    return tf.reduce_sum(-.5 * ((sample - mean) ** 2. * tf.exp(-log_var) + log_var + log2pi), axis=axis)

在后面的内容中我们会多次用到这个计算方法。

3.5 重参数化

重参数化过程就是建立 z z z μ \\mu μ σ \\sigma σ 之间的关系,为了简化这个关系一般都会直接使用最简单的线性关系(同时也要考虑到梯度下降的需要),所以会令

z = μ + ε ⋅ σ (2) z = \\mu + \\varepsilon \\cdot \\sigma \\tag2 z=μ+εσ(2)

这个对应的python 代码实现非常简单:

def reparameterize(mu, log_var):
    """重参数化,计算隐变量 z = μ + ε ⋅ σ
    :param mu:  均值
    :param log_var: 方差的 log 值
    :return: 隐变量 z
    """
    std = tf.exp(log_var * 0.5)
    eps = tf.random.normal(std.shape)

    return mu + eps * std

3.6 VAE 的损失函数 ELBO 的计算

《VAE 模型基本原理简单介绍》 中我们已经比较了解了VAE的面貌,VAE 的损失函数 ELBO 的计算方法如下公式:

log ⁡ p ( x ) ≥ ELBO = E q ( z ∣ x ) [ log ⁡ p ( x , z ) q ( z ∣ x ) ] (3) \\log p(x) \\ge \\textELBO = \\mathbbE_q(z|x)\\left[\\log \\fracp(x, z)q(z|x)\\right] \\tag3 logp(x)ELBO=Eq(zx)[logq(zx)p(x,z)](3)

为了方便我们利用对数函数的性质拆解成三个式子的和:

ELBO = E q ( z ∣ x ) [ log ⁡ p ( x ∣ z ) + log ⁡ p ( z ) − log ⁡ q ( z ∣ x ) ] (4) \\textELBO = \\mathbbE_q(z|x)\\left[ \\log p(x| z) + \\log p(z) - \\log q(z|x) \\right] \\tag4 ELBO=Eq(zx)[logp(xz)+logp(z)logq(zx)](4)

像这种条件概率计算一般可以使用蒙特卡洛方法进行求解,也就转换成 从特定分布 q ( z ∣ x ) q(z|x) q(zx) 中采样得到 z z z ,然后计算一下式子的值:
log ⁡ p ( x ∣ z ) + log ⁡ p ( z ) − log ⁡ q ( z ∣ x ) (5) \\log p(x| z) + \\log p(z) - \\log q(z|x) \\tag5 log以上是关于单指标时间序列异常检测——基于重构概率的变分自编码(VAE)代码实现(详细解释)的主要内容,如果未能解决你的问题,请参考以下文章

单指标时间序列异常检测——基于重构概率的变分自编码(VAE)代码实现(详细解释)

机器学习-白板推导系列(三十二)-变分自编码器(VAE,Variational AutoEncoder)

变分自编码器解析

变分自编码器:原来是这么一回事

论文泛读71变分自编码器

VAE 变分自编码器