論文の概要: Domain-Prior-Regularized Graph Modeling for Anomaly Detection in Cyber-Physical Systems

• arxiv url: http://arxiv.org/abs/2607.23197v1
• Date: Sat, 25 Jul 2026 13:21:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.026485
• Title: Domain-Prior-Regularized Graph Modeling for Anomaly Detection in Cyber-Physical Systems
• Title（参考訳）: サイバー物理システムにおける異常検出のためのドメインパラメータ規則化グラフモデリング
• Authors: Youngseok Hwang, Joonsung Kwon, Geonwoo Lee, Hyunwoo Park,
• Abstract要約: 異常検出は、サイバー物理システムの産業監視に重要である。 最近のグラフベースのアプローチは大きな進歩を遂げているが、小さな物理システムではしばしば苦労している。 本稿では,システム設計知識をグラフ構築に組み込んだ予測ベースのフレームワークであるDPR-GMを提案する。
• 参考スコア（独自算出の注目度）: 4.42333974179549
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection on multivariate sensor time series is critical for industrial monitoring of cyber-physical systems (CPS), where even subtle deviations from normal behavior can indicate process disruption. Recent graph-based approaches have made significant progress, but they often struggle in small-scale physical systems with scarce labeled anomalies and limited normal data. In such settings, graph-based models tend to capture spurious correlations and produce unstable sensor topologies. We propose DPR-GM (Domain-Prior-Regularized Graph Modeling), a forecasting-based framework that incorporates system design knowledge into graph construction. DPR-GM leverages a large language model (LLM) to extract directed physical couplings between sensor pairs from system documentation, which are encoded as a binary domain adjacency matrix serving as a structural gate over sensor relations. This gate is then modulated by Pearson correlations estimated from normal training data. The anomaly score is further weighted by sensor-level reliability derived from the coefficient of variation. All graph and weighting components are fixed prior to training and add no learnable parameters. On the SKAB benchmark, DPR-GM outperforms graph-based, statistical, and deep learning baselines across F1, AUROC, and AUPRC, showing that domain-structured graph priors are a practical alternative to fully learned topologies in data-scarce CPS.
• Abstract（参考訳）: 多変量センサー時系列の異常検出は、通常の行動からの微妙な偏差でさえプロセスの破壊を示すサイバー物理システム(CPS)の産業的な監視にとって重要である。 最近のグラフベースのアプローチは大きな進歩を遂げているが、しばしばラベル付き異常と限られた正規データを持つ小さな物理システムで苦労する。 このような設定では、グラフベースのモデルは急激な相関を捉え、不安定なセンサトポロジーを生成する傾向がある。 DPR-GM(Domain-Prior-Regularized Graph Modeling)は,システム設計知識をグラフ構築に組み込んだ予測ベースのフレームワークである。 DPR-GMは、大規模言語モデル(LLM)を利用して、センサーペア間の物理的結合をシステム文書から抽出する。 このゲートは、通常のトレーニングデータから推定されるピアソン相関によって変調される。 異常スコアは、変動係数から得られるセンサレベルの信頼性によりさらに重み付けされる。 すべてのグラフと重み付けコンポーネントは、トレーニング前に固定され、学習可能なパラメータを追加しない。 SKABベンチマークでは、DPR-GMは、F1、AUROC、AUPRCのグラフベースライン、統計、ディープラーニングベースラインよりも優れており、ドメイン構造化グラフプリエントが、データスカースCPSにおける完全に学習されたトポロジの実用的な代替手段であることを示している。

関連論文リスト

• Rethinking Feature Alignment in Generalist Graph Anomaly Detection: A Relational Fingerprint-based Approach [60.199985286210904]
  Generalist Graph Anomaly Detection (GAD)は、グラフ固有のリトレーニングなしで、見えないグラフ上の異常を検出することを目的としている。 既存のアプローチは主に、異なる機能セマンティクスを無視したドメイン間の異種データの整合性に焦点を当てている。 We propose Fingerprint-based generalist GAD approach (ReFi-GAD)。 ReFi-GADは14のデータセットの実験において,最先端の手法よりも有意に優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-25T05:12:26Z)
• Graph Attention Neural Network for Botnet Detection: Evaluating Autoencoder, VAE and PCA-Based Dimension Reduction [0.0]
  グラフニューラルネットワーク(GNN)は、反復的なメッセージパッシングを通じて埋め込み空間を学習することで、この制限に対処する。 本稿では,まずNetFlowベースのIoTアタックデータセットの次元性を低減し,グラフデータセットに変換するフレームワークを提案する。 可変オートエンコーダ(VAEエンコーダ)、古典的オートエンコーダ(AEエンコーダ)、主成分分析(PCA)の3次元化技術を評価する。
  論文  参考訳（メタデータ） (2025-05-23T00:22:14Z)
• A Causal Graph-Enhanced Gaussian Process Regression for Modeling Engine-out NOx [0.0]
  ガウス過程回帰を用いたエンジンアウトNOx排出予測モデルの開発と検証を行った。 入力ウィンドウとディープカーネル構造を用いる場合,本モデルにより予測性能が向上する。
  論文  参考訳（メタデータ） (2024-10-24T04:23:57Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Deep Graph Stream SVDD: Anomaly Detection in Cyber-Physical Systems [17.373668215331737]
  本稿では,異常検出のためのディープグラフベクトルデータ記述法(SVDD)を提案する。 まず、時間的埋め込みにおけるデータ監視の短絡パターンと長絡パターンの両方を保存するために、トランスフォーマーを使用します。 センサタイプに応じてこれらの埋め込みをクラスタリングし、各種センサ間の接続性の変化を推定し、新しい重み付きグラフを構築する。
  論文  参考訳（メタデータ） (2023-02-24T22:14:39Z)
• 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)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• Online Graph Topology Learning from Matrix-valued Time Series [0.0]
  焦点は、センサのネットワーク上でデータを収集する行列値時系列の統計解析である。 目標は、これらのセンサー間の依存関係構造を特定し、それをグラフで表現することだ。 オンラインアルゴリズムはこれらの拡張データモデルに適応しており、ストリーミングサンプルからグラフとトレンドを同時に学習することができる。
  論文  参考訳（メタデータ） (2021-07-16T17:21:14Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)

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。