論文の概要: A Graph Prompt Fine-Tuning Method for WSN Spatio-Temporal Correlation Anomaly Detection

• arxiv url: http://arxiv.org/abs/2601.12745v1
• Date: Mon, 19 Jan 2026 05:58:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.772213
• Title: A Graph Prompt Fine-Tuning Method for WSN Spatio-Temporal Correlation Anomaly Detection
• Title（参考訳）: WSN時空間相関異常検出のためのグラフプロンプト微調整法
• Authors: Miao Ye, Jing Cui, Yuan huang, Qian He, Yong Wang, Jiwen Zhang,
• Abstract要約: 無線SNネットワーク(WSN)におけるマルチ時間モーダルデータの異常検出は,信頼性の高いネットワーク操作において重要な保証を提供することができる。 既存の異常検出手法では, 時間的相関特性の抽出が不十分なこと, 異常サンプルの高コスト化, 異常サンプルの不均衡が問題となっている。 本稿では,バックボーンネットワークの時間相関機能とマルチタスク自己教師型トレーニング戦略を設計する。
• 参考スコア（独自算出の注目度）: 13.649966886916658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection of multi-temporal modal data in Wireless Sensor Network (WSN) can provide an important guarantee for reliable network operation. Existing anomaly detection methods in multi-temporal modal data scenarios have the problems of insufficient extraction of spatio-temporal correlation features, high cost of anomaly sample category annotation, and imbalance of anomaly samples. In this paper, a graph neural network anomaly detection backbone network incorporating spatio-temporal correlation features and a multi-task self-supervised training strategy of "pre-training - graph prompting - fine-tuning" are designed for the characteristics of WSN graph structure data. First, the anomaly detection backbone network is designed by improving the Mamba model based on a multi-scale strategy and inter-modal fusion method, and combining it with a variational graph convolution module, which is capable of fully extracting spatio-temporal correlation features in the multi-node, multi-temporal modal scenarios of WSNs. Secondly, we design a three-subtask learning "pre-training" method with no-negative comparative learning, prediction, and reconstruction to learn generic features of WSN data samples from unlabeled data, and design a "graph prompting-fine-tuning" mechanism to guide the pre-trained self-supervised learning. The model is fine-tuned through the "graph prompting-fine-tuning" mechanism to guide the pre-trained self-supervised learning model to complete the parameter fine-tuning, thereby reducing the training cost and enhancing the detection generalization performance. The F1 metrics obtained from experiments on the public dataset and the actual collected dataset are up to 91.30% and 92.31%, respectively, which provides better detection performance and generalization ability than existing methods designed by the method.
• Abstract（参考訳）: 無線センサネットワーク(WSN)におけるマルチ時間モーダルデータの異常検出は,信頼性の高いネットワーク動作に対する重要な保証を提供することができる。 多時間モーダルデータシナリオにおける既存の異常検出手法には、時空間相関特性の抽出不足、異常サンプル分類アノテーションの高コスト化、異常サンプルの不均衡といった問題がある。 本稿では,WSNグラフ構造データの特徴として,時空間相関特性を組み込んだグラフニューラルネットワーク異常検出バックボーンネットワークと,WSNグラフ構造データに対する事前学習-グラフプロンプト-微調整のマルチタスク自己教師型トレーニング戦略を設計する。 まず、マルチスケール戦略とモーダル融合法に基づいてMambaモデルを改善し、WSNの多ノード多時間モードシナリオにおける時空間相関特性を完全に抽出できる変動グラフ畳み込みモジュールと組み合わせることで、異常検出バックボーンネットワークを設計する。 第2に、ラベル付きデータからWSNデータサンプルの一般的な特徴を学習するために、非負の学習、予測、再構成を伴う3サブタスク学習「事前学習」手法を設計し、事前学習を指導するための「グラフプロンプト・ファインニング」機構を設計する。 このモデルは「グラフプロンプト・ファインチューニング」機構によって微調整され、事前学習された自己教師付き学習モデルを誘導してパラメータの微調整を完了し、トレーニングコストを低減し、検出一般化性能を向上させる。 公開データセットの実験から得られたF1メトリクスは、それぞれ91.30%と92.31%であり、既存の手法よりも優れた検出性能と一般化能力を提供する。

関連論文リスト

• A New Spatiotemporal Correlation Anomaly Detection Method that Integrates Contrastive Learning and Few-Shot Learning in Wireless Sensor Networks [9.579593025301936]
  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。
  論文  参考訳（メタデータ） (2025-05-31T06:50:05Z)
• Few-shot Online Anomaly Detection and Segmentation [29.693357653538474]
  本稿では,難易度の高いオンライン異常検出・セグメンテーション(FOADS)の課題に対処することに焦点を当てる。 FOADSフレームワークでは、モデルを数ショットの通常のデータセットでトレーニングし、その後、正常サンプルと異常サンプルの両方を含む未ラベルのストリーミングデータを活用することで、その能力の検査と改善を行う。 限られたトレーニングサンプルを用いた性能向上のために,ImageNetで事前学習したCNNから抽出したマルチスケール特徴埋め込みを用いて,ロバストな表現を得る。
  論文  参考訳（メタデータ） (2024-03-27T02:24:00Z)
• Rolling bearing fault diagnosis method based on generative adversarial enhanced multi-scale convolutional neural network model [7.600902237804825]
  マルチスケール畳み込みニューラルネットワークモデルに基づく転がり軸受故障診断手法を提案する。 ResNet法と比較して,提案手法はより優れた一般化性能と反雑音性能を有することを示す。
  論文  参考訳（メタデータ） (2024-03-21T06:42:35Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• 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)
• 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)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• 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)

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。