Federated Koopman-Reservoir Learning for Large-Scale Multivariate Time-Series Anomaly Detection

📄 arXiv: 2503.11255v1 📥 PDF

作者: Long Tan Le, Tung-Anh Nguyen, Han Shu, Suranga Seneviratne, Choong Seon Hong, Nguyen H. Tran

分类: cs.LG, cs.DC

发布日期: 2025-03-14

备注: Accepted at SDM 2025

💡 一句话要点

提出FedKO：一种基于联邦学习的Koopman-Reservoir模型，用于大规模多元时间序列异常检测。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 联邦学习 多元时间序列 异常检测 Koopman算子 储层计算 边缘计算 分布式系统

📋 核心要点

  1. 现有MVTS异常检测方法难以应对大规模分布式环境的异构性、可变性和隐私问题。
  2. FedKO利用联邦学习框架，结合Koopman算子理论和储层计算，实现高效且保护隐私的异常检测。
  3. 实验表明，FedKO在多个数据集上优于现有方法，并显著降低了通信量和内存使用。

📝 摘要（中文）

随着边缘设备的普及，多元时间序列（MVTS）数据的生成急剧增加，这对于从医疗保健到智慧城市等应用至关重要。然而，这些数据流容易受到异常的影响，这些异常可能预示着系统故障或安全事件等关键问题。传统的MVTS异常检测方法，包括统计和集中式机器学习方法，难以应对大规模分布式环境的异构性、可变性和隐私问题。为此，我们提出FedKO，一种新颖的无监督联邦学习框架，它利用Koopman算子理论的线性预测能力以及储层计算的动态适应性。这使得能够对MVTS数据进行有效的时空处理和隐私保护。FedKO被 формулируется как двухуровневая задача оптимизации, использующая специальный федеративный алгоритм для исследования общей модели Reservoir-Koopman в различных наборах данных. Затем такую модель можно развернуть на периферийных устройствах для эффективного обнаружения аномалий в локальных потоках MVTS. 跨各种数据集的实验结果表明，FedKO在MVTS异常检测方面优于最先进的方法。此外，FedKO最多可减少8倍的通信量和2倍的内存使用量，使其非常适合大型系统。

🔬 方法详解

问题定义：论文旨在解决大规模分布式环境中多元时间序列（MVTS）的异常检测问题。现有的集中式方法无法有效处理数据的异构性、可变性以及隐私保护需求，而传统的分布式方法可能面临通信开销大、模型泛化能力弱等问题。

核心思路：论文的核心思路是结合Koopman算子理论和储层计算的优势，构建一个可以在联邦学习框架下训练的全局模型。Koopman算子理论可以将非线性动力系统线性化，便于预测；储层计算则提供了一种高效的动态系统建模方法。通过联邦学习，可以在保护数据隐私的前提下，利用多个边缘设备的数据训练一个共享的异常检测模型。

技术框架：FedKO框架主要包含以下几个阶段：1) 本地模型训练：每个边缘设备使用本地的MVTS数据，基于Koopman算子和储层计算构建本地模型。2) 模型参数聚合：使用联邦平均等算法，将各个边缘设备的模型参数聚合到中心服务器。3) 全局模型更新：中心服务器根据聚合后的参数更新全局模型。4) 模型部署与异常检测：将更新后的全局模型部署到边缘设备，用于实时检测本地MVTS数据中的异常。

关键创新：FedKO的关键创新在于将Koopman算子理论和储层计算与联邦学习相结合，提出了一种新的MVTS异常检测框架。这种结合既利用了Koopman算子和储层计算在时序数据建模方面的优势，又利用了联邦学习在隐私保护和分布式训练方面的优势。与传统的集中式或分布式方法相比，FedKO能够更好地应对大规模分布式环境的挑战。

关键设计：FedKO的关键设计包括：1) 储层计算网络结构：储层的大小、连接方式等参数会影响模型的性能。2) Koopman算子学习方法：如何有效地学习Koopman算子，以捕捉MVTS数据的动态特性。3) 联邦学习算法选择：选择合适的联邦学习算法，以平衡模型性能和通信开销。4) 异常评分函数：设计合理的异常评分函数，以准确区分正常数据和异常数据。

📊 实验亮点

实验结果表明，FedKO在多个公开数据集上优于现有的MVTS异常检测方法。具体来说，FedKO在检测准确率（Precision）、召回率（Recall）和F1-score等指标上均取得了显著提升。此外，FedKO还显著降低了通信量和内存使用，最多可减少8倍的通信量和2倍的内存使用，使其更适合部署在资源受限的边缘设备上。

🎯 应用场景

FedKO具有广泛的应用前景，包括但不限于：智能制造中的设备故障预测、智慧城市中的交通异常检测、医疗健康领域的生理信号异常监测、金融领域的欺诈检测等。通过在边缘设备上部署FedKO模型，可以实现实时、高效且保护隐私的异常检测，从而提高系统的可靠性和安全性，并降低运营成本。

📄 摘要（原文）

The proliferation of edge devices has dramatically increased the generation of multivariate time-series (MVTS) data, essential for applications from healthcare to smart cities. Such data streams, however, are vulnerable to anomalies that signal crucial problems like system failures or security incidents. Traditional MVTS anomaly detection methods, encompassing statistical and centralized machine learning approaches, struggle with the heterogeneity, variability, and privacy concerns of large-scale, distributed environments. In response, we introduce FedKO, a novel unsupervised Federated Learning framework that leverages the linear predictive capabilities of Koopman operator theory along with the dynamic adaptability of Reservoir Computing. This enables effective spatiotemporal processing and privacy preservation for MVTS data. FedKO is formulated as a bi-level optimization problem, utilizing a specific federated algorithm to explore a shared Reservoir-Koopman model across diverse datasets. Such a model is then deployable on edge devices for efficient detection of anomalies in local MVTS streams. Experimental results across various datasets showcase FedKO's superior performance against state-of-the-art methods in MVTS anomaly detection. Moreover, FedKO reduces up to 8x communication size and 2x memory usage, making it highly suitable for large-scale systems.