論文の概要: A Novel Anomaly Detection Method for Multimodal WSN Data Flow via a
Dynamic Graph Neural Network
- arxiv url: http://arxiv.org/abs/2202.10454v1
- Date: Sat, 19 Feb 2022 12:32:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 15:03:29.518713
- Title: A Novel Anomaly Detection Method for Multimodal WSN Data Flow via a
Dynamic Graph Neural Network
- Title（参考訳）: 動的グラフニューラルネットワークによるマルチモーダルwsnデータフローの新しい異常検出法
- Authors: Qinghao Zhang and Miao Ye and Hongbing Qiu and Yong Wang and Xiaofang
Deng
- Abstract要約: 無線センサネットワーク(WSN)データストリームの時間的特徴と空間的特徴を分析し,システム異常を識別するために,異常検出が広く用いられている。
3つのグラフニューラルネットワーク(GNN)を用いて、WSNデータフローの時間的特徴を別々に抽出する。
各センサノードから抽出した時間的特徴とモーダル相関特徴を1つのベクトル表現に融合する。
WSNノードの現在の時系列データを予測し、融合特徴に応じて異常状態を識別する。
- 参考スコア（独自算出の注目度）: 4.383559317152992
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly detection is widely used to distinguish system anomalies by analyzing
the temporal and spatial features of wireless sensor network (WSN) data
streams; it is one of critical technique that ensures the reliability of WSNs.
Currently, graph neural networks (GNNs) have become popular state-of-the-art
methods for conducting anomaly detection on WSN data streams. However, the
existing anomaly detection methods based on GNNs do not consider the temporal
and spatial features of WSN data streams simultaneously, such as multi-node,
multi-modal and multi-time features, seriously impacting their effectiveness.
In this paper, a novel anomaly detection model is proposed for multimodal WSN
data flows, where three GNNs are used to separately extract the temporal
features of WSN data flows, the correlation features between different modes
and the spatial features between sensor node positions. Specifically, first,
the temporal features and modal correlation features extracted from each sensor
node are fused into one vector representation, which is further aggregated with
the spatial features, i.e., the spatial position relationships of the nodes;
finally, the current time-series data of WSN nodes are predicted, and abnormal
states are identified according to the fusion features. The simulation results
obtained on a public dataset show that the proposed approach is able to
significantly improve upon the existing methods in terms of its robustness, and
its F1 score reaches 0.90, which is 14.2% higher than that of the graph
convolution network (GCN) with long short-term memory (LSTM).
- Abstract（参考訳）: 無線センサネットワーク(WSN)データストリームの時間的特徴と空間的特徴を分析してシステム異常を識別するために,異常検出が広く用いられている。
現在、グラフニューラルネットワーク(GNN)はWSNデータストリーム上で異常検出を行う最先端の手法として人気がある。
しかし、gnnに基づく既存の異常検出手法では、マルチノード、マルチモーダル、マルチタイムなどのwsnデータストリームの時間的および空間的特徴を同時に考慮せず、その効果に重大な影響を与えている。
本稿では,wsnデータフローの時間的特徴,異なるモード間の相関特性,センサノード位置間の空間的特徴を分離的に抽出するために3つのgnnを用いるマルチモーダルwsnデータフローのための新しい異常検出モデルを提案する。
具体的には、まず、各センサノードから抽出された時間的特徴及びモーダル相関特徴を1つのベクトル表現に融合させ、その空間的特徴、すなわちノードの空間的位置関係をさらに集約し、最後に、WSNノードの現在の時系列データを予測し、融合特徴に応じて異常状態を同定する。
公開データセットで得られたシミュレーション結果から,提案手法はロバスト性の観点から既存手法を大幅に改善でき,そのf1スコアは0.90に達し,長短メモリ(lstm)を有するグラフ畳み込みネットワーク(gcn)よりも14.2%高かった。
関連論文リスト
- Signal-SGN: A Spiking Graph Convolutional Network for Skeletal Action Recognition via Learning Temporal-Frequency Dynamics [2.9578022754506605]
骨格に基づく行動認識では、グラフ畳み込みネットワーク(GCN)はその複雑さと高エネルギー消費のために制限に直面している。
本稿では、骨格配列の時間次元をスパイキング時間ステップとして活用するSignal-SGN(Spiking Graph Convolutional Network)を提案する。
実験により,提案モデルが既存のSNN法を精度で上回るだけでなく,学習時の計算記憶コストも低減できることがわかった。
論文 参考訳（メタデータ） (2024-08-03T07:47:16Z) - Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction [27.521188262343596]
我々はTHGNN(Temporal and Heterogeneous Graph Neural Networks)という新しいモデルを導入する。
THGNNは、隣接するノードからの履歴データを集約し、センサーデータのストリーム内の時間的ダイナミクスと空間的相関を正確にキャプチャする。
包括的実験により,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2024-05-07T14:08:57Z) - Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。
グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。
グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文 参考訳（メタデータ） (2023-09-11T08:44:07Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳（メタデータ） (2023-07-17T11:04:27Z) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-15T08:17:18Z) - It is all Connected: A New Graph Formulation for Spatio-Temporal
Forecasting [1.278093617645299]
グラフニューラルネットワーク(GNN)ネットワークを用いて時間的および空間的依存関係を学習するためのフレームワークを提案する。
GNNは、すべてのサンプルをグラフ内の独自のノードとして表現する。
このフレームワークは時間次元に沿った測定を必要としないため、データサンプリングの計算を必要とせずに、不規則な時系列、異なる周波数、または欠落データを容易にする。
論文 参考訳（メタデータ） (2023-03-23T11:16:33Z) - A Novel Self-Supervised Learning-Based Anomaly Node Detection Method
Based on an Autoencoder in Wireless Sensor Networks [4.249028315152528]
本稿では,オートエンコーダに基づく自己教師付き学習に基づく異常ノード検出手法を設計する。
本手法は,時間的WSNデータフロー特徴抽出,空間的位置特徴抽出,モーダルWSN相関特徴抽出を統合する。
実験の結果、設計法はベースラインを上回り、F1スコアは90.6%に達した。
論文 参考訳（メタデータ） (2022-12-26T01:54:02Z) - Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。
ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
論文 参考訳（メタデータ） (2022-05-09T05:06:58Z) - Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。
解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文 参考訳（メタデータ） (2021-10-06T16:08:44Z) - Spatial Aggregation and Temporal Convolution Networks for Real-time
Kriging [3.4386226615580107]
SATCNは、モデル仕様を必要とせずに、様々なデータセットに対してテンポラリグを実行する、普遍的で柔軟なフレームワークである。
我々は時間的畳み込みネットワークによってノードをキャプチャし、モデルがさまざまなサイズのデータに対処できるようにする。
我々は、交通や気候記録を含む3つの実世界のデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2021-09-24T18:43:07Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。