論文の概要: A New Spatiotemporal Correlation Anomaly Detection Method that Integrates Contrastive Learning and Few-Shot Learning in Wireless Sensor Networks

• arxiv url: http://arxiv.org/abs/2506.00420v1
• Date: Sat, 31 May 2025 06:50:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:32.982407
• Title: A New Spatiotemporal Correlation Anomaly Detection Method that Integrates Contrastive Learning and Few-Shot Learning in Wireless Sensor Networks
• Title（参考訳）: 無線センサネットワークにおけるコントラスト学習とFew-Shot学習を統合した時空間相関異常検出法
• Authors: Miao Ye, Suxiao Wang, Jiaguang Han, Yong Wang, Xiaoli Wang, Jingxuan Wei, Peng Wen, Jing Cui,
• Abstract要約: 既存の異常検出手法は、サンプルラベルの欠如、少数の異常サンプル、不均衡なサンプル分布などの課題に直面していることが多い。 これらの問題に対処するために,相関検出モデル(MTAD-RD)を提案する。 MTAD-RDは、時系列データからグローバル情報を抽出しながら、モーダル間相関特徴と空間ノード間近傍を統合することができる。 そのシリアライズされた推論特性ノードは、推論オーバーヘッドを著しく削減することができる。
• 参考スコア（独自算出の注目度）: 9.579593025301936
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Detecting anomalies in the data collected by WSNs can provide crucial evidence for assessing the reliability and stability of WSNs. Existing methods for WSN anomaly detection often face challenges such as the limited extraction of spatiotemporal correlation features, the absence of sample labels, few anomaly samples, and an imbalanced sample distribution. To address these issues, a spatiotemporal correlation detection model (MTAD-RD) considering both model architecture and a two-stage training strategy perspective is proposed. In terms of model structure design, the proposed MTAD-RD backbone network includes a retentive network (RetNet) enhanced by a cross-retention (CR) module, a multigranular feature fusion module, and a graph attention network module to extract internode correlation information. This proposed model can integrate the intermodal correlation features and spatial features of WSN neighbor nodes while extracting global information from time series data. Moreover, its serialized inference characteristic can remarkably reduce inference overhead. For model training, a two-stage training approach was designed. First, a contrastive learning proxy task was designed for time series data with graph structure information in WSNs, enabling the backbone network to learn transferable features from unlabeled data using unsupervised contrastive learning methods, thereby addressing the issue of missing sample labels in the dataset. Then, a caching-based sample sampler was designed to divide samples into few-shot and contrastive learning data. A specific joint loss function was developed to jointly train the dual-graph discriminator network to address the problem of sample imbalance effectively. In experiments carried out on real public datasets, the designed MTAD-RD anomaly detection method achieved an F1 score of 90.97%, outperforming existing supervised WSN anomaly detection methods.
• Abstract（参考訳）: WSNsが収集したデータの異常を検出することは、WSNsの信頼性と安定性を評価する重要な証拠となる。 既存のWSN異常検出手法では、時空間相関特性の限定抽出、サンプルラベルの欠如、異常サンプルの少ない、不均衡なサンプル分布などの課題に直面していることが多い。 これらの課題に対処するために,モデルアーキテクチャと2段階トレーニング戦略の両面を考慮した時空間相関検出モデル(MTAD-RD)を提案する。 モデル構造設計において,提案するMTAD-RDバックボーンネットワークは,クロスリテンション(CR)モジュール,多粒性特徴融合モジュール,およびノード間相関情報を抽出するグラフアテンションネットワークモジュールによって強化されたリテーティブネットワーク(RetNet)を含む。 提案モデルは,時系列データからグローバル情報を抽出しながら,WSN近傍ノードの相互相関特性と空間的特徴を統合することができる。 さらに、シリアライズされた推論特性は、推論オーバーヘッドを著しく低減することができる。 モデルトレーニングでは、2段階のトレーニングアプローチが設計された。 まず,WSNにおけるグラフ構造情報を用いた時系列データを対象としたコントラスト学習プロキシタスクを設計し,教師なしのコントラスト学習手法を用いてラベルなしデータから転送可能な特徴を学習し,データセットに欠落するサンプルラベルの問題に対処する。 キャッシュベースのサンプルサンプリングは、サンプルを少数のショットと対照的な学習データに分割するように設計された。 サンプル不均衡の問題を効果的に解決するために, 両グラフ判別器ネットワークを共同で訓練するための, 特定結合損失関数を開発した。 実際の公開データセットで行った実験では、設計したMTAD-RD異常検出法がF1スコア90.97%を獲得し、既存の監視されたWSN異常検出法より優れていた。

関連論文リスト

• A Novel Spatiotemporal Correlation Anomaly Detection Method Based on Time-Frequency-Domain Feature Fusion and a Dynamic Graph Neural Network in Wireless Sensor Network [9.031267813814118]
  アテンションベースのトランスフォーマーは、長期依存を捕捉する能力により、無線センサネットワーク(WSN)のタイミング異常検出において重要な役割を担っている。 本稿では,周波数領域の特徴を動的グラフニューラルネットワーク(GNN)と統合したWSN異常検出手法を提案する。
  論文  参考訳（メタデータ） (2025-02-25T04:34:18Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• 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)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Hybridization of Capsule and LSTM Networks for unsupervised anomaly detection on multivariate data [0.0]
  本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。 提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
  論文  参考訳（メタデータ） (2022-02-11T10:33:53Z)
• 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)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)
• Correlation-aware Deep Generative Model for Unsupervised Anomaly Detection [9.578395294627057]
  教師なし異常検出は、高度に複雑で非構造的なデータから異常なサンプルを特定することを目的としている。 本稿では,Deep Gaussian Mixture Model (CADGMM) を用いた教師なし異常検出手法を提案する。 実世界のデータセットを用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-02-18T03:32:06Z)

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。