論文の概要: PhaseNet++: Phase-Aware Frequency-Domain Anomaly Detection for Industrial Control Systems via Phase Coherence Graphs
- arxiv url: http://arxiv.org/abs/2605.00929v1
- Date: Thu, 30 Apr 2026 19:59:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.487478
- Title: PhaseNet++: Phase-Aware Frequency-Domain Anomaly Detection for Industrial Control Systems via Phase Coherence Graphs
- Title（参考訳）: PhaseNet++: 位相コヒーレンスグラフによる産業制御系の位相対応周波数領域異常検出
- Authors: Raviteja Bommireddy, Varshith Bandaru, Lohith Pakala, Pradeep Kumar B,
- Abstract要約: 本稿では、スライディングセンサウィンドウのショートタイムフーリエ変換(STFT)で動作する周波数領域オートエンコーダであるフェイズネット++を提案する。
位相コヒーレンス指数 (PCI) は、周波数ビン間のペアの位相一貫性を連続した隣接行列に要約する。
センサトーケントランスフォーマーエンコーダはシステム全体構造をキャプチャし、デュアルヘッドデコーダは、大きさと位相を共に再構成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multivariate time series anomaly detection in ICS has attracted growing attention due to the increasing threat of cyber-physical attacks on critical infrastructure. State-of-the-art methods model inter-sensor relationships from raw time-domain amplitude values, using graph neural networks, Transformers. However, these methods discard the phase spectrum produced by time frequency transformations, We argue that phase information constitutes a complementary and previously overlooked detection modality for ICS anomaly detection. We present PhaseNet++, a frequency-domain autoencoder that operates on the Short-Time Fourier Transform (STFT) of sliding sensor windows, retaining both magnitude and phase spectra. A Phase Coherence Index (PCI), inspired by the Phase Locking Value from neuroscience, summarizes pairwise phase consistency across frequency bins into a continuous adjacency matrix. This matrix guides a graph attention network that propagates information preferentially among phase-synchronized sensors. A sensor-token Transformer encoder captures system-wide structure, and a dual-head decoder reconstructs magnitude and phase jointly via circular and coherence-aware objectives. Evaluated on the Secure Water Treatment (SWaT) benchmark, PhaseNet++ achieves an F1-score of 90.98%, ROC-AUC of 95.66%, and average precision of 91.51%. Ablation studies show that the phase-aware front-end and PCI graph module together add only 264,816 parameters, demonstrating that the phase inductive bias is lightweight. While the absolute F1-score is second best than that of all recent raw-value methods evaluated under different protocols, we position this work as the first systematic study of phase-domain anomaly detection for ICS.
- Abstract（参考訳）: ICSにおける多変量時系列異常検出は、重要なインフラに対するサイバー物理攻撃の脅威の増加により注目を集めている。
State-of-the-art Methodは、生の時間領域振幅値から、グラフニューラルネットワーク、トランスフォーマーを用いて、センサー間の関係をモデル化する。
しかし、これらの手法は、時間周波数変換によって生じる位相スペクトルを破棄するものであり、我々は、位相情報がICS異常検出のための相補的かつ以前は見過ごされていた検出モダリティを構成すると論じている。
本稿では,スライディングセンサウィンドウのショートタイムフーリエ変換(STFT)で動作する周波数領域オートエンコーダであるフェイズNet++について述べる。
神経科学のフェーズロック値にインスパイアされた位相コヒーレンス指数(PCI)は、周波数ビン間の相整合を連続した隣接行列に要約する。
このマトリックスは、位相同期センサ間で情報を優先的に伝播するグラフアテンションネットワークを案内する。
センサトーケントランスフォーマーエンコーダはシステム全体構造をキャプチャし、デュアルヘッドデコーダは、円形およびコヒーレンス対応の目的により、大小と位相を共同で再構成する。
Secure Water Treatment (SWaT)ベンチマークで評価すると、PhaseNet++はF1スコアの90.98%、ROC-AUCの95.66%、平均精度の91.51%を達成している。
アブレーション研究では、位相対応のフロントエンドとPCIグラフモジュールが合わせて264,816のパラメータを加算し、位相誘導バイアスが軽量であることが示されている。
絶対F1スコアは、異なるプロトコルで評価された最近の生値法と比較して2番目に優れているが、ICSの位相領域異常検出に関する最初の体系的な研究として位置づける。
関連論文リスト
- Triple Spectral Fusion for Sensor-based Human Activity Recognition [86.21994396715074]
本稿では,センサを用いたヒューマンアクティビティ認識(HAR)に適した新しい三重スペクトル融合フレームワークを提案する。
雑音抑制のための適応的な補間フィルタリング手法を開発し,各IMUセンサを姿勢・運動モードノードに整理する。
適応ウェーブレット周波数選択手法により、コンテキストの冗長性を抑え、特徴の長さを短縮する。
論文 参考訳（メタデータ） (2026-05-04T15:42:58Z) - Pi-Transformer: A Physics-informed Attention Mechanism for Time Series Anomaly Detection [3.8673630752805437]
2つの注意経路を持つ物理インフォーム変換器であるPi-Transformerを提案する。
このモデルは、アライメント重み付けされた再構成信号と、タイミングと位相破壊を強調するミスマッチ信号を組み合わせる。
Pi-Transformerは最先端または競争性の高いF1を実現し、特にタイミングと位相破壊異常に強い。
論文 参考訳（メタデータ） (2025-09-24T10:47:48Z) - Holographic Transformers for Complex-Valued Signal Processing: Integrating Phase Interference into Self-Attention [19.574464511943074]
我々は、波動干渉原理を自己注意に組み込んだ物理に着想を得たアーキテクチャであるホログラフィックトランスフォーマーを紹介する。
デュアルヘッドデコーダは同時に入力を再構築してタスク出力を予測する。
PolSAR画像分類と無線チャネル予測の実験は、高い分類精度とF1スコア、低回帰誤差、位相摂動に対するロバスト性の向上を示す。
論文 参考訳（メタデータ） (2025-09-14T15:24:43Z) - TF-TransUNet1D: Time-Frequency Guided Transformer U-Net for Robust ECG Denoising in Digital Twin [16.693268731997996]
U-NetベースのエンコーダデコーダアーキテクチャとTransformerエンコーダを統合した,新しい1次元ディープニューラルネットワークTF-TransUNet1Dを提案する。
このモデルは、局所的な形態的特徴と長距離時間的依存関係を同時に捉えるように設計されている。
高精度デノゲーションを提供することで、この作業は心臓のデジタル双生児のための前処理パイプラインにおいて重要なギャップを埋める。
論文 参考訳（メタデータ） (2025-08-28T03:51:19Z) - Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。
既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。
本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
論文 参考訳（メタデータ） (2025-08-07T11:14:16Z) - PAD: Phase-Amplitude Decoupling Fusion for Multi-Modal Land Cover Classification [49.37555541088792]
位相振幅デカップリング(PAD)は、位相(モダリティ共有)と振幅(モダリティ補完)を分離する周波数対応のフレームワークである。
この研究は、リモートセンシングにおける物理を意識したマルチモーダル融合の新しいパラダイムを確立する。
論文 参考訳（メタデータ） (2025-04-27T07:21:42Z) - A Novel Spatiotemporal Correlation Anomaly Detection Method Based on Time-Frequency-Domain Feature Fusion and a Dynamic Graph Neural Network in Wireless Sensor Network [9.031267813814118]
アテンションベースのトランスフォーマーは、長期依存を捕捉する能力により、無線センサネットワーク(WSN)のタイミング異常検出において重要な役割を担っている。
本稿では,周波数領域の特徴を動的グラフニューラルネットワーク(GNN)と統合したWSN異常検出手法を提案する。
論文 参考訳（メタデータ） (2025-02-25T04:34:18Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - Deep Reinforcement Learning for IRS Phase Shift Design in
Spatiotemporally Correlated Environments [93.30657979626858]
本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。
チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
論文 参考訳（メタデータ） (2022-11-02T22:07:36Z) - TFill: Image Completion via a Transformer-Based Architecture [69.62228639870114]
画像補完を無方向性シーケンス対シーケンス予測タスクとして扱うことを提案する。
トークン表現には,小かつ重複しないRFを持つ制限型CNNを用いる。
第2フェーズでは、可視領域と発生領域の外観整合性を向上させるために、新しい注意認識層(aal)を導入する。
論文 参考訳（メタデータ） (2021-04-02T01:42:01Z)
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。