論文の概要: GNNs for Time Series Anomaly Detection: An Open-Source Framework and a Critical Evaluation

• arxiv url: http://arxiv.org/abs/2603.09675v1
• Date: Tue, 10 Mar 2026 13:45:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.343788
• Title: GNNs for Time Series Anomaly Detection: An Open-Source Framework and a Critical Evaluation
• Title（参考訳）: 時系列異常検出のためのGNN:オープンソースフレームワークと評価
• Authors: Federico Bello, Gonzalo Chiarlone, Marcelo Fiori, Gastón García González, Federico Larroca,
• Abstract要約: グラフニューラルネットワーク(GNN)を用いた時系列異常検出(TSAD)のためのオープンソースフレームワークを提案する。 本研究は,グラフベースのTSADシステムの開発と評価を促進するために,実用ツールと重要な知見の両方に貢献する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There is growing interest in applying graph-based methods to Time Series Anomaly Detection (TSAD), particularly Graph Neural Networks (GNNs), as they naturally model dependencies among multivariate signals. GNNs are typically used as backbones in score-based TSAD pipelines, where anomalies are identified through reconstruction or prediction errors followed by thresholding. However, and despite promising results, the field still lacks standardized frameworks for evaluation and suffers from persistent issues with metric design and interpretation. We thus present an open-source framework for TSAD using GNNs, designed to support reproducible experimentation across datasets, graph structures, and evaluation strategies. Built with flexibility and extensibility in mind, the framework facilitates systematic comparisons between TSAD models and enables in-depth analysis of performance and interpretability. Using this tool, we evaluate several GNN-based architectures alongside baseline models across two real-world datasets with contrasting structural characteristics. Our results show that GNNs not only improve detection performance but also offer significant gains in interpretability, an especially valuable feature for practical diagnosis. We also find that attention-based GNNs offer robustness when graph structure is uncertain or inferred. In addition, we reflect on common evaluation practices in TSAD, showing how certain metrics and thresholding strategies can obscure meaningful comparisons. Overall, this work contributes both practical tools and critical insights to advance the development and evaluation of graph-based TSAD systems.
• Abstract（参考訳）: 多変量信号間の依存性を自然にモデル化するため、時系列異常検出(TSAD)、特にグラフニューラルネットワーク(GNN)にグラフベースの手法を適用することへの関心が高まっている。 GNNは通常、スコアベースのTSADパイプラインのバックボーンとして使用される。 しかし、有望な結果にもかかわらず、この分野には評価のための標準化されたフレームワークがなく、メートル法設計と解釈に関する永続的な問題に悩まされている。 そこで我々は,データセット,グラフ構造,評価戦略間の再現可能な実験を支援するために,GNNを用いたTSADのオープンソースフレームワークを提案する。 柔軟性と拡張性を念頭に構築されたこのフレームワークは、TSADモデル間の体系的な比較を促進し、パフォーマンスと解釈可能性の詳細な分析を可能にする。 このツールを用いて、2つの実世界のデータセットにまたがるベースラインモデルと、対照的な構造特性を持つGNNベースのアーキテクチャを評価した。 以上の結果から,GNNは検出性能を向上するだけでなく,解釈可能性も向上し,特に診断に有用であることが示唆された。 また、注意に基づくGNNは、グラフ構造が不確かか推測された場合、堅牢性を提供する。 さらに、TSADの一般的な評価プラクティスを反映し、特定のメトリクスとしきい値戦略が意味のある比較を曖昧にすることができるかを示す。 本研究は、グラフベースのTSADシステムの開発と評価を進めるための実践的ツールと重要な知見の両方に貢献する。

関連論文リスト

• On the Impact of Graph Neural Networks in Recommender Systems: A Topological Perspective [49.391877616394765]
  レコメンデーションシステムでは、ユーザと項目の相互作用を二部グラフとしてモデル化することができる。 このグラフに基づくビューは、グラフニューラルネットワーク(GNN)の急速な採用を動機付けている。 実証的な成功にもかかわらず、GNNが他のアプローチに対して体系的な優位性を提供する理由は、まだ部分的にしか理解されていない。
  論文  参考訳（メタデータ） (2025-12-08T10:19:43Z)
• Pruning Graphs by Adversarial Robustness Evaluation to Strengthen GNN Defenses [1.066048003460524]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データ学習の主流パラダイムとして浮上している。 本研究では, グラフの有害成分を明確に識別し, 除去するために, 対向的ロバストネス評価を利用するプルーニングフレームワークを提案する。 頑健性スコアをガイダンスとして使用することにより,モデルの信頼性を低下させる可能性が最も高いエッジを選択的にプーンし,よりクリーンでレジリエントなグラフ表現が得られる。
  論文  参考訳（メタデータ） (2025-11-29T20:15:54Z)
• ACTGNN: Assessment of Clustering Tendency with Synthetically-Trained Graph Neural Networks [4.668678950572517]
  ACTGNNは、データのグラフ表現を利用してクラスタリング傾向を評価するために設計されたグラフベースのフレームワークである。 グラフニューラルネットワーク(GNN)は、合成データセットのみにトレーニングされており、クラスタ構造を堅牢に学習することができる。 その結果,提案手法の一般化性と有効性を強調し,ロバストなクラスタリング傾向評価のための有望なツールとなった。
  論文  参考訳（メタデータ） (2025-01-30T03:31:26Z)
• Are GNNs Actually Effective for Multimodal Fault Diagnosis in Microservice Systems? [3.3601815104322377]
  グラフニューラルネットワーク(GNN)は、サービス依存をモデル化する能力に基づいて、マイクロサービスシステムの障害診断に広く採用されている。 GNNの真の価値を分離するために,意図的に最小限のトポロジーに依存しないベースラインであるDiagMLPを提案する。 DiagMLPは, 故障検出, 局所化, 分類において, 最先端のGNN方式と同等の性能を実現する。
  論文  参考訳（メタデータ） (2025-01-06T05:18:13Z)
• Online GNN Evaluation Under Test-time Graph Distribution Shifts [92.4376834462224]
  オンラインGNN評価という新たな研究課題は、よく訓練されたGNNが現実世界の未ラベルグラフに一般化する能力について、貴重な洞察を提供することを目的としている。 我々は、よく訓練されたGNNモデルのテスト時間一般化誤差を推定するために、LeBeDと呼ばれる効果的な学習行動不一致スコアを開発する。
  論文  参考訳（メタデータ） (2024-03-15T01:28:08Z)
• Uncertainty in GNN Learning Evaluations: The Importance of a Consistent Benchmark for Community Detection [4.358468367889626]
  グラフニューラルネットワーク(GNN)の共通評価プロトコルを確立するためのフレームワークを提案する。 プロトコルの有無の相違を実証することで、モチベーションと正当化を行います。 また,同じ評価基準が従うことを保証することで,本課題における手法の性能と有意な差があることが判明した。
  論文  参考訳（メタデータ） (2023-05-10T10:22:28Z)
• 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)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
  グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。 PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。 PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-11-13T18:53:21Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)

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。