Fugu-MT 論文翻訳(概要): Graph Attention Networks with Physical Constraints for Anomaly Detection

論文の概要: Graph Attention Networks with Physical Constraints for Anomaly Detection

arxiv url: http://arxiv.org/abs/2601.12426v1
Date: Sun, 18 Jan 2026 14:14:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-21 22:47:22.623962
Title: Graph Attention Networks with Physical Constraints for Anomaly Detection
Title（参考訳）: 異常検出のための物理制約付きグラフ注意ネットワーク
Authors: Mohammadhossein Homaei, Iman Khazrak, Ruben Molano, Andres Caro, Mar Avila,
Abstract要約: 本研究は, 正規化保存法則を特徴とする油圧対応グラフの時間的注意法を提案する。マルチスケールモジュールは、ノードからネットワークレベルへの検出スコアを集約する。 3.3$ppのゲインとパラメータノイズの15%以下の高いロバスト性を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Water distribution systems (WDSs) face increasing cyber-physical risks, which make reliable anomaly detection essential. Many data-driven models ignore network topology and are hard to interpret, while model-based ones depend strongly on parameter accuracy. This work proposes a hydraulic-aware graph attention network using normalized conservation law violations as features. It combines mass and energy balance residuals with graph attention and bidirectional LSTM to learn spatio-temporal patterns. A multi-scale module aggregates detection scores from node to network level. On the BATADAL dataset, it reaches $F1=0.979$, showing $3.3$pp gain and high robustness under $15\%$ parameter noise.
Abstract（参考訳）: 配水システム(WDS)は、信頼性の高い異常検出を必須とするサイバー物理リスクの増大に直面している。多くのデータ駆動モデルはネットワークトポロジを無視し、解釈が難しいが、モデルベースモデルはパラメータの精度に強く依存する。本研究は, 正規化保存法違反を特徴として用いた油圧対応グラフアテンションネットワークを提案する。質量とエネルギー収支残差とグラフ注意と双方向LSTMを組み合わせて時空間パターンを学習する。マルチスケールモジュールは、ノードからネットワークレベルへの検出スコアを集約する。 BATADALデータセットでは、$F1=0.979$に達し、$3.3$ppのゲインと、パラメータノイズが$15\%以下の高いロバスト性を示す。

関連論文リスト

Noise Robust One-Class Intrusion Detection on Dynamic Graphs [46.453758431767724]
本研究では,TGN-SVDDモデルの確率的バージョンを導入し,入力雑音の有無の検出精度を高めることを目的とした。合成ノイズを用いたCIC-IDS 2017データセットの修正実験により, ベースラインTGN-SVDDモデルに比べて検出性能が著しく向上した。
論文参考訳（メタデータ） (2025-08-19T18:36:11Z)
WBHT: A Generative Attention Architecture for Detecting Black Hole Anomalies in Backbone Networks [0.49157446832511503]
ブラックホール(BH)異常は、障害通知なしでパケットロスを引き起こし、接続を中断し、金銭的損失をもたらす。 WBHTは、生成モデリング、シーケンシャルラーニング、アテンションメカニズムを組み合わせて、BH異常検出を改善する。実世界のネットワークデータに基づいてテストした結果、WBHTは既存のモデルを上回っ、F1スコアを大幅に改善した。
論文参考訳（メタデータ） (2025-07-27T18:22:28Z)
Physics-Informed Graph Neural Networks for Transverse Momentum Estimation in CMS Trigger Systems [0.0]
高エネルギー物理におけるリアルタイム粒子横運動量(p_T$)推定は、厳密なハードウェア制約の下で効率的なアルゴリズムを要求する。本稿では,物理インフォームドグラフニューラルネットワーク(GNN)フレームワークを提案する。我々の共同設計手法は、既存のベースラインに比べて精度と効率のトレードオフが優れている。
論文参考訳（メタデータ） (2025-07-25T12:19:57Z)
Hypergraph-based multi-scale spatio-temporal graph convolution network for Time-Series anomaly detection [8.878898677348086]
多次元時系列異常検出技術は、航空宇宙、水処理、クラウドサービスプロバイダなど、多くの分野において重要な役割を果たす。高次元および複雑なデータセットにおいて、効果的かつ正確な異常検出を行うことがますます困難になっている。本稿では,複数変数間の高次マルチホップ相関を明示的に捉えるハイパーグラフに基づく時間グラフ畳み込みネットワークモデルSTGCN_Hyperを提案する。我々のモデルはデータ中のマルチスケール時系列の特徴と特徴間の依存関係を柔軟に学習し、異常検出の精度、リコール、F1スコアで既存のベースラインモデルよりも優れている。
論文参考訳（メタデータ） (2024-10-29T17:19:18Z)
Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文参考訳（メタデータ） (2024-01-24T03:43:45Z)
Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文参考訳（メタデータ） (2023-12-04T01:32:42Z)
Network Intrusion Detection with Edge-Directed Graph Multi-Head Attention Networks [13.446986347747325]
本稿では,ネットワーク侵入検出のためのエッジ指向グラフマルチヘッドアテンションネットワーク(EDGMAT)を提案する。 EDGMATモデルでは,侵入検知モデルにマルチヘッドアテンション機構を導入し,マルチヘッドアテンション機構とエッジ特徴を組み合わせた付加的な重み学習を実現する。
論文参考訳（メタデータ） (2023-10-26T12:30:11Z)
Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
論文参考訳（メタデータ） (2022-09-16T09:13:43Z)
Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
論文参考訳（メタデータ） (2021-12-19T05:04:53Z)
Unveiling the potential of Graph Neural Networks for robust Intrusion Detection [2.21481607673149]
本稿では,グラフとして構造化された攻撃の流れパターンを学習するための新しいグラフニューラルネットワーク(GNN)モデルを提案する。我々のモデルは従来の実験と同等の精度を維持することができる一方、最先端のML技術は敵攻撃下で50%の精度(F1スコア)を低下させる。
論文参考訳（メタデータ） (2021-07-30T16:56:39Z)
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)

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。