Fugu-MT 論文翻訳(概要): Scalable Context-Aware Graph Attention for Unsupervised Anomaly Detection in Large-Scale Mobile Networks

論文の概要: Scalable Context-Aware Graph Attention for Unsupervised Anomaly Detection in Large-Scale Mobile Networks

arxiv url: http://arxiv.org/abs/2605.00482v1
Date: Fri, 01 May 2026 07:43:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-04 17:43:28.895668
Title: Scalable Context-Aware Graph Attention for Unsupervised Anomaly Detection in Large-Scale Mobile Networks
Title（参考訳）: 大規模モバイルネットワークにおける教師なし異常検出のためのスケーラブルなコンテキスト認識グラフアテンション
Authors: Sara Malacarne, Eirik Hoel-Høiseth, Erlend Aune, David Zsolt Biró, Massimiliano Ruocco,
Abstract要約: 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。
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: Mobile network operators must monitor thousands of heterogeneous network elements across the radio access network and the packet core, each exposing high-dimensional KPI time series. The scale and cost of incident labelling make supervised approaches impractical, motivating unsupervised anomaly detection robust to context shifts and nonstationarity. We propose \textbf{C-MTAD-GAT} (\emph{Context-aware Multivariate Time-series Anomaly Detection with Graph Attention}), an anomaly detection framework designed to operate as a single shared model across large populations of network elements. The model combines temporal and feature-wise graph attention with lightweight static and dynamic context conditioning and a dual-head decoder for reconstruction and multi-step forecasting. It produces per-element, per-feature anomaly scores, converted to alerts via fully unsupervised thresholds calibrated from validation residuals. On the TELCO dataset released with DC-VAE \cite{garcia2023onemodel}, C-MTAD-GAT improves event-level affiliation and pointwise F1 while generating fewer alarms than prior graph-attention and VAE-based baselines. We then apply the same system to nation-scale radio access and evolved packet core control-plane counter data from a mobile network operator, where it is deployed. Operator feedback indicates the alerts are actionable and support daily monitoring, showing scalability across domains without relying on labelled incidents.
Abstract（参考訳）: モバイルネットワークオペレータは、無線アクセスネットワークとパケットコアにまたがる何千もの異種ネットワーク要素を監視し、それぞれが高次元のKPI時系列を公開する必要がある。インシデントラベリングの規模とコストは、教師ありアプローチを非現実的にし、コンテキストシフトや非定常性に頑健な教師なし異常検出を動機付けている。本稿では,ネットワーク要素の多数にまたがる単一共有モデルとして機能するように設計された,異常検出フレームワークである,textbf{C-MTAD-GAT} (\emph{Context-aware Multivariate Time-series Anomaly Detection with Graph Attention})を提案する。このモデルは、時間的および特徴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と、再構成とマルチステップ予測のためのデュアルヘッドデコーダを組み合わせる。要素ごとの異常スコアを生成し、検証残差から校正された完全に教師なしのしきい値を通じて警告に変換する。 DC-VAE \cite{garcia2023onemodel}でリリースされたTELCOデータセットでは、C-MTAD-GATはイベントレベルのアフィリエレーションとポイントワイドF1を改善し、従来のグラフアテンションやVAEベースのベースラインよりもアラームが少ない。そこで我々は,このシステムを全国規模の無線アクセスに適用し,それを展開する移動ネットワークオペレータからパケットコア制御プレーンカウンタデータを進化させた。オペレータフィードバックは、アラートが動作可能で、毎日の監視をサポートし、ラベル付きインシデントに頼ることなく、ドメイン間のスケーラビリティを示すことを示している。

関連論文リスト

Context-Aware Graph Attention for Unsupervised Telco Anomaly Detection [0.5219568203653523]
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。
論文参考訳（メタデータ） (2026-04-29T20:20:04Z)
AutoGraphAD: A novel approach using Variational Graph Autoencoders for anomalous network flow detection [2.4159082914715495]
AutoGraphADは異種変分グラフオートエンコーダに基づく教師なし異常検出手法である。タイムウィンドウ内でネットワークアクティビティをキャプチャする接続ノードとIPノードで構成された異種グラフで動作する。約1.18桁の高速トレーニングと1.03桁の高速推論を実現している。
論文参考訳（メタデータ） (2025-11-21T10:22:00Z)
Federated Spatiotemporal Graph Learning for Passive Attack Detection in Smart Grids [2.721477719641864]
本稿では,時間的ウィンドウ上で物理層と行動指標を融合させて受動的攻撃を検出するグラフ中心型マルチモーダル検出器を提案する。テスト精度は98.32%、シーケンス毎の93.35%を0.15% FPRで達成している。
論文参考訳（メタデータ） (2025-09-29T08:52:30Z)
PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文参考訳（メタデータ） (2024-06-04T13:51:08Z)
Detecting Anomalous Network Communication Patterns Using Graph Convolutional Networks [32.336544074408806]
GCNetOmalyはグラフ畳み込みネットワーク(GCN)ベースの変動オートエンコーダ(VAE)異常検出器である。 GCNetOmalyは、Carbon Blackがログした実際の大規模データに基づいて評価された。
論文参考訳（メタデータ） (2023-11-30T13:03:49Z)
STATGRAPH: Effective In-vehicle Intrusion Detection via Multi-view Statistical Graph Learning [8.494964689206432]
STATGRAPHは、車載ネットワーク(IVN)セキュリティサービスのための、効果的できめ細かな侵入検出手法である。 CANメッセージ検出ウィンドウに2つの統計グラフ、タイミング相関グラフ(TCG)と結合関係グラフ(CRG)を生成する。様々なパターンの普遍的な法則をより効果的に学習し、検出性能をさらに向上させる。
論文参考訳（メタデータ） (2023-11-13T03:49:55Z)
From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文参考訳（メタデータ） (2022-02-11T09:45:11Z)
Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文参考訳（メタデータ） (2021-11-30T18:42:42Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)
DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文参考訳（メタデータ） (2021-05-30T22:07:13Z)

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。