論文の概要: Context-Aware Graph Attention for Unsupervised Telco Anomaly Detection

• arxiv url: http://arxiv.org/abs/2604.27172v1
• Date: Wed, 29 Apr 2026 20:20:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.796629
• Title: Context-Aware Graph Attention for Unsupervised Telco Anomaly Detection
• Title（参考訳）: 教師なしセルコ異常検出のための文脈認識型グラフアテンション
• Abstract要約: C-MTAD-GATは、モバイルネットワークからの異常検出のための、インハンサー付き、強調文対応グラフアテンションモデルである。 公開TELCOデータセットでは、C-MTAD-GATは、イベントレベルとポイントワイドの両方でMTAD-GATとTelco固有のDC-VAEを一貫して上回っている。 C-MTAD-GATは、全国的なモバイルオペレーターのコアネットワークにもデプロイされており、実際の産業環境でそのレジリエンスを実証している。
• 参考スコア（独自算出の注目度）: 0.5219568203653523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose C-MTAD-GAT, an \emph{unsupervised}, \emph{context-aware} graph-attention model for anomaly detection in multivariate time series from mobile networks. C-MTAD-GAT combines graph attention with lightweight context embeddings, and uses a deterministic reconstruction head and multi-step forecaster to produce anomaly scores. Detection thresholds are calibrated \emph{without labels} from validation residuals, keeping the pipeline fully unsupervised. On the public TELCO dataset, C-MTAD-GAT consistently outperforms MTAD-GAT and the Telco-specific DC-VAE, two state-of-the-art baselines, in both event-level and pointwise F1, while triggering substantially fewer alarms. C-MTAD-GAT is also deployed in the Core network of a national mobile operator, demonstrating its resilience in real industrial settings.
• Abstract（参考訳）: 我々は,モバイルネットワークからの多変量時系列における異常検出のためのC-MTAD-GAT, \emph{unsupervised}, \emph{context-aware}グラフアテンションモデルを提案する。 C-MTAD-GATはグラフ注意を軽量なコンテキスト埋め込みと組み合わせ、決定論的再構成ヘッドと多段階予測器を用いて異常スコアを生成する。 検出しきい値は、検証残差から‘emph{without labels’を校正し、パイプラインを完全に教師なしに保つ。 パブリックなTELCOデータセットでは、C-MTAD-GATはMTAD-GATとTelco固有のDC-VAEの2つのステート・オブ・ザ・アートベースラインを、イベントレベルとポイントワイドF1の両方で一貫して上回り、アラームを著しく少なくする。 C-MTAD-GATは、全国的なモバイルオペレーターのコアネットワークにもデプロイされており、実際の産業環境でそのレジリエンスを実証している。

関連論文リスト

• Adaptive Two-Stage Online Learning for Service-Affecting Failure Detection in Mobile Core Networks [0.0]
  本稿では,モバイルコアネットワークにおけるトラフィックベース障害検出のための2段階オンライン学習フレームワークを提案する。 このフレームワークは、事前評価プロトコルの下で完全にオンラインで動作し、計算オーバーヘッドの少ない連続的な適応を可能にする。
  論文  参考訳（メタデータ） (2026-07-20T21:33:56Z)
• Scalable Context-Aware Graph Attention for Unsupervised Anomaly Detection in Large-Scale Mobile Networks [0.5219568203653523]
  多数のネットワーク要素をまたいだ単一の共有モデルとして動作するように設計された異常検出フレームワーク。 モデルは、時間的および機能的なグラフの注意と、軽量な静的および動的コンテキスト条件付けを組み合わせる。 要素ごとの異常スコアを生成し、検証残差から完全に教師なしのしきい値を通じて警告に変換する。
  論文  参考訳（メタデータ） (2026-05-01T07:43:14Z)
• Exploring Multimodal Prompts For Unsupervised Continuous Anomaly Detection [12.745823680495887]
  マルチモーダルプロンプトに基づく教師なし連続異常検出フレームワークを提案する。 具体的には,CMPMB(Continuous Multimodal Prompt Memory Bank)を提案する。 また, 適応正規化モジュール (ANM) と動的融合戦略 (DFS) を統合し, 検出精度と対向ロバスト性を両立させるDefect-Semantic-Guided Adaptive Fusion Mechanism (DSG-AFM) を考案した。
  論文  参考訳（メタデータ） (2026-03-23T04:33:11Z)
• Towards Remote Sensing Change Detection with Neural Memory [61.39582645714727]
  ChangeTitansは、リモートセンシングによる変更検出のためのTitansベースのフレームワークである。 まず、ニューラルネットワークと局所的な注意をセグメント化して統合するVTitansを提案する。 次に,階層型VTitans-Adapterを提案する。 第3に、2ストリーム融合モジュールであるTS-CBAMを導入し、擬似変化を抑制し、検出精度を高める。
  論文  参考訳（メタデータ） (2026-02-11T03:50:51Z)
• Physics-Guided Tiny-Mamba Transformer for Reliability-Aware Early Fault Warning [2.491980790083337]
  オンラインコンディション監視に適したコンパクトな三分岐エンコーダであるPG-TMT(Physical-Guided Tiny-Mamba Transformer)を提案する。 奥行き分離可能な畳み込みステムは、マイクロトランジェント、Tiny-Mamba状態空間分岐モデル、および軽量ローカルトランスフォーマーがチャネル間共鳴を符号化する。 PG-TMTは、信頼性中心の予後と健康管理のための早期警告を提供する。
  論文  参考訳（メタデータ） (2026-01-29T05:46:12Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Unsupervised Detection of Spatiotemporal Anomalies in PMU Data Using Transformer-Based BiGAN [0.0]
  T-BiGANは、双方向生成逆数ネットワーク(BiGAN)内でウィンドウアテンション変換を行うフレームワークである。 エンコーダデコーダはアーキテクチャをキャプチャし、識別器はサイクル整合性を適用して遅延空間を真のデータ分布と整合させる。 異常は、再構成誤差、潜時空間ドリフト、判別器の信頼性を組み合わせた適応スコアを用いてリアルタイムでフラグ付けされる。
  論文  参考訳（メタデータ） (2025-09-30T00:16:35Z)
• Enhancing Automatic Modulation Recognition With a Reconstruction-Driven Vision Transformer Under Limited Labels [0.06524460254566902]
  本稿では,教師付き,自己監督型,再建型を統合した統合型ビジョントランスフォーマー(ViT)フレームワークを提案する。 このフレームワークは、AMRの単純で、一般化可能で、ラベル効率のよいソリューションを提供する。
  論文  参考訳（メタデータ） (2025-08-27T18:11:47Z)
• Multi-Stage Knowledge-Distilled VGAE and GAT for Robust Controller-Area-Network Intrusion Detection [0.0]
  Controller Area Network (CAN) プロトコルは車内通信の標準であるが、内蔵セキュリティの欠如によりサイバー攻撃を受けやすい。 本稿では,自動車CANトラフィックに適した教師なし異常検出と教師付きグラフ学習を利用した多段階侵入検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-06T19:50:26Z)
• Tracking the Unstable: Appearance-Guided Motion Modeling for Robust Multi-Object Tracking in UAV-Captured Videos [58.156141601478794]
  マルチオブジェクトトラッキング(UAVT)は、ビデオのフレーム間で一貫したアイデンティティを維持しながら、複数のオブジェクトを追跡することを目的としている。 既存の手法は、通常、動作キューと外観を別々にモデル化し、それらの相互作用を見渡して、最適下追跡性能をもたらす。 本稿では、AMC行列とMTCモジュールの2つの主要コンポーネントを通して、外観と動きの手がかりを利用するAMOTを提案する。
  論文  参考訳（メタデータ） (2025-08-03T12:06:47Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Confidence Attention and Generalization Enhanced Distillation for Continuous Video Domain Adaptation [62.458968086881555]
  連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。 CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-18T16:40:10Z)
• Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
  Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。 ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
  論文  参考訳（メタデータ） (2021-03-18T08:47:56Z)

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。