論文の概要: Graph Neural Networks Based Anomalous RSSI Detection

• arxiv url: http://arxiv.org/abs/2505.15847v1
• Date: Mon, 19 May 2025 09:16:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:47.806779
• Title: Graph Neural Networks Based Anomalous RSSI Detection
• Title（参考訳）: グラフニューラルネットワークを用いた異常RSSI検出
• Authors: Blaž Bertalanič, Matej Vnučec, Carolina Fortuna,
• Abstract要約: 本稿では,グラフニューラルネットワークを用いた無線リンクの異常検出手法を提案する。 提案手法では,時系列データをグラフに変換して,新たなグラフニューラルネットワークアーキテクチャをトレーニングする。
• 参考スコア（独自算出の注目度）: 0.196629787330046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In today's world, modern infrastructures are being equipped with information and communication technologies to create large IoT networks. It is essential to monitor these networks to ensure smooth operations by detecting and correcting link failures or abnormal network behaviour proactively, which can otherwise cause interruptions in business operations. This paper presents a novel method for detecting anomalies in wireless links using graph neural networks. The proposed approach involves converting time series data into graphs and training a new graph neural network architecture based on graph attention networks that successfully detects anomalies at the level of individual measurements of the time series data. The model provides competitive results compared to the state of the art while being computationally more efficient with ~171 times fewer trainable parameters.
• Abstract（参考訳）: 今日の世界では、現代的なインフラストラクチャには、大規模なIoTネットワークを作成するための情報と通信技術が備わっている。 これらのネットワークを監視して、リンク障害や異常なネットワーク動作を積極的に検出・修正することで、スムーズなオペレーションを確保することが不可欠である。 本稿では,グラフニューラルネットワークを用いた無線リンクの異常検出手法を提案する。 提案手法では,時系列データのグラフ化と,時系列データの個々の測定レベルで異常を検出するグラフアテンションネットワークに基づく,新たなグラフニューラルネットワークアーキテクチャのトレーニングを行う。 このモデルは、訓練可能なパラメータの約171倍の計算効率を保ちながら、最先端技術と比較して、競争力のある結果をもたらす。

関連論文リスト

• Research on Cloud Platform Network Traffic Monitoring and Anomaly Detection System based on Large Language Models [5.524069089627854]
  本稿では,大規模言語モデル(LLM)に基づくネットワークトラフィック監視と異常検出システムを提案する。 事前訓練された大言語モデルは、予測可能なネットワークトラフィックを分析し予測し、異常検出層は時間性とコンテキストを考慮する。 その結果,設計したモデルは,検出精度と計算効率において従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-04-22T07:42:07Z)
• 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)
• 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)
• AEGNN: Asynchronous Event-based Graph Neural Networks [54.528926463775946]
  イベントベースのグラフニューラルネットワークは、標準のGNNを一般化して、イベントを"進化的"時間グラフとして処理する。 AEGNNは同期入力で容易に訓練でき、テスト時に効率的な「非同期」ネットワークに変換できる。
  論文  参考訳（メタデータ） (2022-03-31T16:21:12Z)
• Graph similarity learning for change-point detection in dynamic networks [15.694880385913534]
  グラフスナップショットの時間的シーケンスである動的ネットワークについて考察する。 このタスクは、しばしばネットワーク変更点検出と呼ばれ、不正検出や物理モーションモニタリングといった多くの応用がある。 我々は、特定のネットワーク領域に適応し、変更を遅延なくローカライズできるオンラインネットワーク変更点検出法を設計する。
  論文  参考訳（メタデータ） (2022-03-29T12:16:38Z)
• 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)
• Graph Neural Networks in Real-Time Fraud Detection with Lambda Architecture [14.435076554010985]
  まず,グラフ構築のためのDDS (Directed Dynamic Snapshot) リンク設計と,グラフニューラルネットワークの埋め込みによる効果的な推論のためのLambda Neural Networks (LNN) アーキテクチャを提案する。 実験の結果,グラフ上のLNNはベースラインモデルを大幅に上回り,リアルタイム不正検出には計算効率がよいことがわかった。
  論文  参考訳（メタデータ） (2021-10-09T12:57:18Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• 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)
• NF-GNN: Network Flow Graph Neural Networks for Malware Detection and Classification [11.624780336645006]
  悪意あるソフトウェア(マルウェア)は、通信システムのセキュリティに対する脅威を増大させる。 監視および監視されていない設定でマルウェアの検出と分類をサポートする3つのベースモデルを紹介します。 4つの異なる予測タスクに関する実験は、一貫してこのアプローチの利点を実証し、グラフニューラルネットワークモデルが検出性能を大幅に向上させることができることを示した。
  論文  参考訳（メタデータ） (2021-03-05T20:54:38Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)

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。