論文の概要: DyC-STG: Dynamic Causal Spatio-Temporal Graph Network for Real-time Data Credibility Analysis in IoT
- arxiv url: http://arxiv.org/abs/2509.06483v1
- Date: Mon, 08 Sep 2025 09:46:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:04.041842
- Title: DyC-STG: Dynamic Causal Spatio-Temporal Graph Network for Real-time Data Credibility Analysis in IoT
- Title（参考訳）: DyC-STG: IoTにおけるリアルタイムデータ信頼性解析のための動的因果時空間グラフネットワーク
- Authors: Guanjie Cheng, Boyi Li, Peihan Wu, Feiyi Chen, Xinkui Zhao, Mengying Zhu, Shuiguang Deng,
- Abstract要約: Dynamic Causal-Temporal Graph Network (DyC-STG)は、IoTにおけるリアルタイムデータ信頼性分析のために設計された、新しいフレームワークである。
我々はDyC-STGが新たな最先端技術を確立し、最強のベースラインを1.4ポイント上回り、F1スコアが0.930に達することを示す。
- 参考スコア（独自算出の注目度）: 27.657941907056053
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The wide spreading of Internet of Things (IoT) sensors generates vast spatio-temporal data streams, but ensuring data credibility is a critical yet unsolved challenge for applications like smart homes. While spatio-temporal graph (STG) models are a leading paradigm for such data, they often fall short in dynamic, human-centric environments due to two fundamental limitations: (1) their reliance on static graph topologies, which fail to capture physical, event-driven dynamics, and (2) their tendency to confuse spurious correlations with true causality, undermining robustness in human-centric environments. To address these gaps, we propose the Dynamic Causal Spatio-Temporal Graph Network (DyC-STG), a novel framework designed for real-time data credibility analysis in IoT. Our framework features two synergistic contributions: an event-driven dynamic graph module that adapts the graph topology in real-time to reflect physical state changes, and a causal reasoning module to distill causally-aware representations by strictly enforcing temporal precedence. To facilitate the research in this domain we release two new real-world datasets. Comprehensive experiments show that DyC-STG establishes a new state-of-the-art, outperforming the strongest baselines by 1.4 percentage points and achieving an F1-Score of up to 0.930.
- Abstract（参考訳）: モノのインターネット(IoT)センサーの普及は、膨大な時空間データストリームを生成するが、データ信頼性を保証することは、スマートホームのようなアプリケーションにとって重要な課題だが未解決の課題である。
時空間グラフ(STG)モデルがそのようなデータの主要なパラダイムである一方で、(1)静的グラフトポロジ(静的グラフトポロジ)への依存、(2)真の因果関係と急激な相関関係を混同し、人中心環境の堅牢性を損なう傾向という2つの基本的な制約により、動的、人中心環境において不足することが多い。
これらのギャップに対処するために、IoTにおけるリアルタイムデータ信頼性分析用に設計された新しいフレームワークであるDynamic Causal Spatio-Temporal Graph Network (DyC-STG)を提案する。
本フレームワークは, 物理状態変化を反映してリアルタイムにグラフトポロジを適応するイベント駆動動的グラフモジュールと, 時間的優先順位を厳格に強制して因果的認識表現を抽出する因果的推論モジュールの2つの相乗的寄与を特徴とする。
この領域での研究を促進するために、2つの新しい実世界のデータセットをリリースします。
総合的な実験により、DyC-STGは新たな最先端技術を確立し、最強のベースラインを1.4ポイント上回り、F1スコアを0.930まで達成した。
関連論文リスト
- Incremental Causal Graph Learning for Online Cyberattack Detection in Cyber-Physical Infrastructures [25.567981742631005]
リアルタイムの重要インフラに対するサイバー攻撃の脅威は、公共の安全に重大なリスクをもたらす。
従来のリアルタイム異常検出技術は、高いデータ分散とクラス不均衡に対する統計的感度のため、しばしば過剰な偽陽性に悩まされる。
本稿では,インクリメンタルな因果グラフ学習のための新しいフレームワークであるINCADETを提案する。
論文 参考訳（メタデータ） (2025-07-18T22:27:13Z) - Dynamic Graph Condensation [40.099854631984556]
動的グラフにおける時間的拡張は、重要なデータ効率の課題を引き起こす。
実動的グラフをコンパクトなバージョンに凝縮するフレームワークであるDyGCを提案する。
提案手法は, 最大96.2%のDGNN性能を保ち, 元のグラフサイズは0.5%に留まり, 最大1846倍の高速化を実現している。
論文 参考訳（メタデータ） (2025-06-16T05:11:29Z) - ST-FiT: Inductive Spatial-Temporal Forecasting with Limited Training Data [59.78770412981611]
現実世界のアプリケーションでは、ほとんどのノードはトレーニング中に利用可能な時間データを持っていないかもしれない。
この問題に対処するために,ST-FiTというフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-14T17:51:29Z) - SIG: Efficient Self-Interpretable Graph Neural Network for Continuous-time Dynamic Graphs [34.269958289295516]
我々は,これらの予測の因果的説明を同時に提供しながら,動的グラフ内の将来のリンクを予測することを目的としている。
これらの課題に対処するため、我々は新たな因果推論モデル、すなわち独立因果推定モデル(ICCM)を提案する。
提案手法は, リンク予測精度, 説明精度, 特徴量に対するロバスト性など, 既存の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-05-29T13:09:33Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。
EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文 参考訳（メタデータ） (2023-03-22T06:35:08Z) - DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising
Diffusion Models [53.67562579184457]
本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。
本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。
提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
論文 参考訳（メタデータ） (2023-01-31T13:42:36Z) - Temporal Domain Generalization with Drift-Aware Dynamic Neural Network [12.483886657900525]
ドリフト対応動的ニューラルネットワーク(DRAIN)フレームワークを用いた時間領域一般化を提案する。
具体的には、この問題を、データとモデル力学の関係を共同でモデル化するベイズ的枠組みに定式化する。
モデルパラメータとデータ分布の時間的ドリフトをキャプチャし、将来のデータなしで将来モデルを予測することができる。
論文 参考訳（メタデータ） (2022-05-21T20:01:31Z) - Anomaly Detection in Dynamic Graphs via Transformer [30.926884264054042]
DYnamic graph(TADDY)のためのトランスフォーマーを用いた新しい異常検出フレームワークを提案する。
本フレームワークは,進化するグラフストリームにおいて,各ノードの構造的役割と時間的役割をよりよく表現するための包括的ノード符号化戦略を構築する。
提案するTADDYフレームワークは,4つの実世界のデータセットに対して,最先端の手法よりも大きなマージンで優れている。
論文 参考訳（メタデータ） (2021-06-18T02:27:19Z)
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。