論文の概要: Graph Neural Network-Based Anomaly Detection for River Network Systems
- arxiv url: http://arxiv.org/abs/2304.09367v3
- Date: Thu, 1 Jun 2023 00:00:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 23:45:30.656530
- Title: Graph Neural Network-Based Anomaly Detection for River Network Systems
- Title（参考訳）: グラフニューラルネットワークを用いた河川ネットワークシステムの異常検出
- Authors: Katie Buchhorn, Edgar Santos-Fernandez, Kerrie Mengersen, Robert
Salomone
- Abstract要約: 水質のリアルタイムモニタリングは、インサイトセンサー技術にますます依存している。
センサデータの誤パターンを特定するには異常検出が不可欠である。
本稿では,河川ネットワークセンサデータにおける異常検出の課題に対する解決法を提案する。
- 参考スコア（独自算出の注目度）: 0.8399688944263843
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Water is the lifeblood of river networks, and its quality plays a crucial
role in sustaining both aquatic ecosystems and human societies. Real-time
monitoring of water quality is increasingly reliant on in-situ sensor
technology. Anomaly detection is crucial for identifying erroneous patterns in
sensor data, but can be a challenging task due to the complexity and
variability of the data, even under normal conditions. This paper presents a
solution to the challenging task of anomaly detection for river network sensor
data, which is essential for accurate and continuous monitoring. We use a graph
neural network model, the recently proposed Graph Deviation Network (GDN),
which employs graph attention-based forecasting to capture the complex
spatio-temporal relationships between sensors. We propose an alternate anomaly
scoring method, GDN+, based on the learned graph. To evaluate the model's
efficacy, we introduce new benchmarking simulation experiments with
highly-sophisticated dependency structures and subsequence anomalies of various
types. We further examine the strengths and weaknesses of this baseline
approach, GDN, in comparison to other benchmarking methods on complex
real-world river network data. Findings suggest that GDN+ outperforms the
baseline approach in high-dimensional data, while also providing improved
interpretability. We also introduce software called gnnad.
- Abstract（参考訳）: 水は河川網の活力であり、その品質は水生生態系と人間社会の両方を維持する上で重要な役割を担っている。
水質のリアルタイムモニタリングは, センサ技術に依存しつつある。
異常検出はセンサデータの誤ったパターンを特定するのに不可欠であるが、通常の状況でもデータの複雑さと変動性のために困難な課題となる。
本稿では,河川ネットワークセンサデータに対する異常検出の課題に対する解決法を提案する。
我々はグラフニューラルネットワークモデル、最近提案されたグラフ偏差ネットワーク(GDN)を用いて、グラフ注意に基づく予測を用いて、センサ間の複雑な時空間関係をキャプチャする。
本稿では,学習グラフに基づく別の異常スコアリング手法GDN+を提案する。
モデルの有効性を評価するため,高度に洗練された依存構造と各種のサブシーケンス異常を用いたベンチマークシミュレーション実験を導入する。
このベースラインアプローチであるgdnの強みと弱みを,複雑な実世界の河川ネットワークデータに対する他のベンチマーク手法と比較して検討する。
GDN+は高次元データのベースラインアプローチよりも優れており、解釈性も向上している。
gnnadというソフトウェアも導入しています。
関連論文リスト
- HGFF: A Deep Reinforcement Learning Framework for Lifetime Maximization in Wireless Sensor Networks [5.4894758104028245]
深部強化学習とヘテロジニアスグラフニューラルネットワークを組み合わせた新しいフレームワークを提案し,シンクの移動経路を自動構築する。
実世界の異なる無線センサネットワークをシミュレートする静的マップと動的マップを10種類設計する。
我々のアプローチは、あらゆる種類の地図において、既存の手法よりも一貫して優れています。
論文 参考訳（メタデータ） (2024-04-11T13:09:11Z) - Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。
ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。
4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文 参考訳（メタデータ） (2024-01-24T03:43:45Z) - BS-GAT Behavior Similarity Based Graph Attention Network for Network
Intrusion Detection [20.287285893803244]
本稿では,グラフアテンションネットワークを用いた行動類似性(BS-GAT)に基づくグラフニューラルネットワークアルゴリズムを提案する。
その結果,提案手法は有効であり,既存のソリューションと比較して優れた性能を示した。
論文 参考訳（メタデータ） (2023-04-07T09:42:07Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Spatial Graph Convolution Neural Networks for Water Distribution Systems [6.125017875330933]
スパース信号に基づく配水システム(WDS)によって与えられるグラフにおける値推定の欠落の課題について検討する。
基礎となるグラフは比較的低いノード度と高い直径を持ち、グラフ内の情報はグローバルに関連している。
WDS領域における多くのベンチマークタスクに対して優れた結果を示すメッセージパッシングに基づく特定のアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-11-17T15:32:11Z) - Overlapping Community Detection using Dynamic Dilated Aggregation in Deep Residual GCN [2.4110557255946117]
重なり合うコミュニティ検出は、グラフマイニングにおいて重要な問題である。
本研究では,新しい動的拡張アグリゲーション機構に基づくディープ残差グラフ畳み込みネットワーク(DynaResGCN)を設計する。
本実験は,ネットワーク上の重なり合うコミュニティを検出するための最先端手法よりも,はるかに優れた性能を示す。
論文 参考訳（メタデータ） (2022-10-20T11:22:58Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - A Computational Framework for Modeling Complex Sensor Network Data Using
Graph Signal Processing and Graph Neural Networks in Structural Health
Monitoring [0.7519872646378835]
本稿では,グラフ信号処理(GSP)とグラフニューラルネットワーク(GNN)を組み合わせた複雑なネットワークモデリングに基づくフレームワークを提案する。
我々は,オランダの大きな橋梁のセンサデータ(ひずみ,振動)のモデル化と解析という,実世界の構造的健康モニタリングユースケースに注目した。
論文 参考訳（メタデータ） (2021-05-01T10:45:57Z) - An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。
従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
論文 参考訳（メタデータ） (2021-03-27T04:47:59Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。