論文の概要: Explainable Fuzzy GNNs for Leak Detection in Water Distribution Networks

• arxiv url: http://arxiv.org/abs/2601.03062v1
• Date: Tue, 06 Jan 2026 14:45:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.980032
• Title: Explainable Fuzzy GNNs for Leak Detection in Water Distribution Networks
• Title（参考訳）: 配水網における漏れ検知のための説明可能なファジィGNN
• Authors: Qusai Khaled, Pasquale De Marinis, Moez Louati, David Ferras, Laura Genga, Uzay Kaymak,
• Abstract要約: グラフニューラルネットワーク(GNN)は、センサデータの空間的時間的依存関係をキャプチャする。 本稿では,重要なネットワーク領域を特定するために相互情報を統合した説明可能なGNNフレームワークを提案する。 ファジィグラフニューラルネットワーク(FGENConv)は,検出で0.889点,ローカライゼーションで0.814点を得た。
• 参考スコア（独自算出の注目度）: 3.249485481362347
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Timely leak detection in water distribution networks is critical for conserving resources and maintaining operational efficiency. Although Graph Neural Networks (GNNs) excel at capturing spatial-temporal dependencies in sensor data, their black-box nature and the limited work on graph-based explainable models for water networks hinder practical adoption. We propose an explainable GNN framework that integrates mutual information to identify critical network regions and fuzzy logic to provide clear, rule-based explanations for node classification tasks. After benchmarking several GNN architectures, we selected the generalized graph convolution network (GENConv) for its superior performance and developed a fuzzy-enhanced variant that offers intuitive explanations for classified leak locations. Our fuzzy graph neural network (FGENConv) achieved Graph F1 scores of 0.889 for detection and 0.814 for localization, slightly below the crisp GENConv 0.938 and 0.858, respectively. Yet it compensates by providing spatially localized, fuzzy rule-based explanations. By striking the right balance between precision and explainability, the proposed fuzzy network could enable hydraulic engineers to validate predicted leak locations, conserve human resources, and optimize maintenance strategies. The code is available at github.com/pasqualedem/GNNLeakDetection.
• Abstract（参考訳）: 配水網におけるタイムリーリーク検出は資源の保存と運用効率の維持に重要である。 グラフニューラルネットワーク(GNN)はセンサデータの空間的時間的依存関係を捉えるのに優れていますが、そのブラックボックスの性質と、グラフベースで説明可能な水ネットワークモデルに関する限定的な作業は、実用化を妨げます。 本稿では,重要なネットワーク領域とファジィ論理の識別に相互情報を統合して,ノード分類タスクの明確な規則に基づく説明を提供する,説明可能なGNNフレームワークを提案する。 いくつかのGNNアーキテクチャをベンチマークし、その優れた性能のために一般化グラフ畳み込みネットワーク(GENConv)を選択し、機密漏洩箇所の直感的な説明を提供するファジィ強化版を開発した。 ファジィグラフニューラルネットワーク(FGENConv)は,検出に0.889点,ローカライゼーションに0.814点,それぞれcrisp GENConv 0.938点,0.858点をわずかに下回った。 しかし、空間的局所的でファジィな規則に基づく説明を提供することで補償する。 精度と説明可能性の適切なバランスを打つことで、提案されたファジィネットワークは、水圧技術者が予測された漏洩箇所の検証、人的資源の保存、メンテナンス戦略の最適化を可能にする。 コードはgithub.com/pasqualedem/GNNLeakDetectionで入手できる。

関連論文リスト

• Graph Signal Generative Diffusion Models [74.75869068073577]
  拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。 アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。 株価の確率予測における拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-21T21:57:27Z)
• Applying Self-supervised Learning to Network Intrusion Detection for Network Flows with Graph Neural Network [8.318363497010969]
  本稿では,教師なし型ネットワークフローの特定のためのGNNの適用について検討する。 我々の知る限り、NIDSにおけるネットワークフローのマルチクラス分類のための最初のGNNベースの自己教師方式である。
  論文  参考訳（メタデータ） (2024-03-03T12:34:13Z)
• Explainable Spatio-Temporal Graph Neural Networks [16.313146933922752]
  本稿では,STGNNを本質的に説明可能な形で拡張する,説明可能な時空間グラフニューラルネットワーク(STGNN)フレームワークを提案する。 本フレームワークは,STGエンコーダとデコーダとして位置情報融合層と統合時間グラフアテンションネットワークを統合した。 予測精度と説明可能性の指標から,STExplainerは最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-26T04:47:28Z)
• Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module [65.81781176362848]
  グラフニューラルネットワーク(GNN)は、近隣情報収集を通じてグラフ構造化データから学習することができる。 レイヤーの数が増えるにつれて、ノード表現は区別不能になり、オーバー・スムーシング(over-smoothing)と呼ばれる。 我々は,textbfPosterior-Sampling-based, Node-distinguish Residual Module (PSNR)を提案する。
  論文  参考訳（メタデータ） (2023-05-09T12:03:42Z)
• Graph Neural Network-Based Anomaly Detection for River Network Systems [0.8399688944263843]
  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。
  論文  参考訳（メタデータ） (2023-04-19T01:32:32Z)
• 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)
• Anomal-E: A Self-Supervised Network Intrusion Detection System based on Graph Neural Networks [0.0]
  本稿では,自己教師型ネットワーク侵入と異常検出のためのグラフニューラルネットワーク(GNN)の応用について検討する。 GNNは、グラフ構造を学習に組み込んだグラフベースのデータのためのディープラーニングアプローチである。 本稿では, エッジ特徴とグラフトポロジ構造を利用したGNNによる侵入・異常検出手法であるAnomal-Eを提案する。
  論文  参考訳（メタデータ） (2022-07-14T10:59:39Z)
• Discriminability of Single-Layer Graph Neural Networks [172.5042368548269]
  グラフニューラルネットワーク(GNN)は、幅広い問題について有望な性能を示した。 本稿では, 識別可能性の特性に着目し, 安定グラフフィルタバンクへのポイントワイド非線形性の適用により, 高固有値コンテンツに対する識別能力が向上する条件を確立する。
  論文  参考訳（メタデータ） (2020-10-17T18:52:34Z)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。