論文の概要: Graph Neural Network and Transformer Integration for Unsupervised System Anomaly Discovery

• arxiv url: http://arxiv.org/abs/2508.09401v1
• Date: Wed, 13 Aug 2025 00:35:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.716441
• Title: Graph Neural Network and Transformer Integration for Unsupervised System Anomaly Discovery
• Title（参考訳）: 教師なしシステム異常発見のためのグラフニューラルネットワークと変圧器の統合
• Authors: Yun Zi, Ming Gong, Zhihao Xue, Yujun Zou, Nia Qi, Yingnan Deng,
• Abstract要約: 本研究では,分散バックエンドサービスシステムを対象とした教師なし異常検出手法を提案する。 複雑な構造的依存関係、多様な振る舞いの進化、ラベル付きデータの欠如といった現実的な課題に対処する。 その結果,提案手法はいくつかの重要な指標において既存モデルよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 14.982273490507986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study proposes an unsupervised anomaly detection method for distributed backend service systems, addressing practical challenges such as complex structural dependencies, diverse behavioral evolution, and the absence of labeled data. The method constructs a dynamic graph based on service invocation relationships and applies graph convolution to extract high-order structural representations from multi-hop topologies. A Transformer is used to model the temporal behavior of each node, capturing long-term dependencies and local fluctuations. During the feature fusion stage, a learnable joint embedding mechanism integrates structural and behavioral representations into a unified anomaly vector. A nonlinear mapping is then applied to compute anomaly scores, enabling an end-to-end detection process without supervision. Experiments on real-world cloud monitoring data include sensitivity analyses across different graph depths, sequence lengths, and data perturbations. Results show that the proposed method outperforms existing models on several key metrics, demonstrating stronger expressiveness and stability in capturing anomaly propagation paths and modeling dynamic behavior sequences, with high potential for practical deployment.
• Abstract（参考訳）: 本研究では、複雑な構造的依存関係、多様な振る舞いの進化、ラベル付きデータの欠如といった現実的な課題に対処する、分散バックエンドサービスシステムに対する教師なし異常検出手法を提案する。 サービス呼び出し関係に基づいて動的グラフを構築し,マルチホップトポロジから高次構造表現を抽出するためにグラフ畳み込みを適用した。 Transformerは、各ノードの時間的挙動をモデル化し、長期的な依存関係と局所的な変動をキャプチャする。 特徴融合段階において、学習可能な関節埋め込み機構は、構造的および行動的表現を統一された異常ベクトルに統合する。 その後、非線形マッピングが異常スコアの計算に適用され、監督なしでエンドツーエンド検出プロセスが可能となる。 実世界のクラウド監視データの実験には、異なるグラフ深さ、シーケンスの長さ、データ摂動の感度分析が含まれる。 提案手法は, 実測値において既存モデルよりも優れ, 異常伝播経路の捕捉や動的挙動列のモデル化において, より強い表現性や安定性を示し, 実用的展開の可能性が高いことを示す。

関連論文リスト

• Structural-Temporal Coupling Anomaly Detection with Dynamic Graph Transformer [41.16574023720132]
  動的グラフトランスモデルを用いた構造・時間結合異常検出アーキテクチャを提案する。 具体的には、2つの統合レベルから構造的特徴と時間的特徴を導入し、異常を意識したグラフの進化パターンを提供する。
  論文  参考訳（メタデータ） (2025-05-13T08:10:41Z)
• GCAD: Anomaly Detection in Multivariate Time Series from the Perspective of Granger Causality [6.491611485776723]
  本稿では,解釈可能な因果関係を用いて空間依存をモデル化し,因果パターンの変化によって異常を検出するフレームワークを提案する。 実世界のデータセット実験により,提案モデルがベースライン法よりも高精度な異常検出を実現することが示された。
  論文  参考訳（メタデータ） (2025-01-23T09:15:59Z)
• Back to Bayesics: Uncovering Human Mobility Distributions and Anomalies with an Integrated Statistical and Neural Framework [14.899157568336731]
  DeepBayesicは、ベイズ原理とディープニューラルネットワークを統合し、基盤となる分布をモデル化する新しいフレームワークである。 我々は,いくつかのモビリティデータセットに対するアプローチを評価し,最先端の異常検出手法の大幅な改善を実証した。
  論文  参考訳（メタデータ） (2024-10-01T19:02:06Z)
• Hypergraph Learning based Recommender System for Anomaly Detection, Control and Optimization [0.0]
  本稿では,(a)離散ハイパーグラフ構造の連成学習のための自己適応型異常検出フレームワークと,(b)相互依存型センサ間の時間的傾向と空間的関係をモデル化する。 このフレームワークは、ハイパーグラフ構造データのリレーショナル帰納バイアスを利用して、ポイントワイズ・シングルステップ・アヘッド予測を学習する。 ルート原因分析のための異常情報伝搬に基づく計算ハイパーグラフを導出し、オフラインで最適な予測制御ポリシを通じて推奨する。
  論文  参考訳（メタデータ） (2024-08-21T06:04:02Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Graph Neural Network-Based Anomaly Detection in Multivariate Time Series [17.414474298706416]
  我々は,高次元時系列データにおける異常を検出する新しい方法を開発した。 我々のアプローチは、構造学習アプローチとグラフニューラルネットワークを組み合わせている。 本研究では,本手法がベースラインアプローチよりも高精度に異常を検出することを示す。
  論文  参考訳（メタデータ） (2021-06-13T09:07:30Z)
• 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)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。