論文の概要: An Explainable GNN Framework for Component-Level Anomaly Diagnosis

• arxiv url: http://arxiv.org/abs/2608.09246v1
• Date: Mon, 10 Aug 2026 08:08:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.137993
• Title: An Explainable GNN Framework for Component-Level Anomaly Diagnosis
• Title（参考訳）: コンポーネントレベル異常診断のための説明可能なGNNフレームワーク
• Authors: Sena Ozgunay, Louise Travé-Massuyès, Jean-Michel Loubes, Raul Sena Ferreira,
• Abstract要約: 多くの産業システムでは、異常は異常なセンサーから生じるのではなく、システムのダイナミクスを左右する影響によるものである。 本稿では,センサレベルの異常からコンポーネントレベルの診断に視点を移すGNNベースの異常検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.4007073989623753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial processes are complex systems composed of multiple interacting sensors that generate multivariate time series (MTS). Detecting anomalies in such systems is critical for reliability and safety, yet understanding their origin is equally important. Existing Graph Neural Network (GNN)based methods for anomaly detection primarily focus on sensor-level deviations and either attribute anomalies directly to the deviating sensors. When diagnosis is attempted, generally, the most deviated sensor is identified as a root cause of a system fault. However, in many industrial systems, anomalies do not arise from faulty sensors but from disruptions in the influences governing the system dynamics. We propose an explainable GNN-based anomaly detection framework that shifts the perspective from sensor-level anomalies to component-level diagnosis, hypothesizing that anomalous measurements are symptoms of altered inter-sensor influences. Experiments show that the method effectively identifies and prioritizes the true faulty components, providing interpretable insights into system failures.
• Abstract（参考訳）: 産業プロセスは、多変量時系列(MTS)を生成する複数の相互作用センサーで構成される複雑なシステムである。 このようなシステムの異常を検出することは信頼性と安全性にとって重要であるが、その起源を理解することは同様に重要である。 既存のグラフニューラルネットワーク(GNN)に基づく異常検出手法は、主にセンサーレベルの偏差に焦点を当てている。 一般的に、診断が試みられると、最も逸脱したセンサーがシステム障害の根本原因として識別される。 しかし、多くの産業システムでは、異常はセンサの故障ではなく、システムのダイナミクスを左右する影響によるものである。 本稿では,センサレベルの異常からコンポーネントレベルの診断へ視点を転換する,GNNに基づく異常検出フレームワークを提案する。 実験の結果,本手法は真に欠陥のあるコンポーネントを効果的に識別し,優先順位付けし,システム障害に対する解釈可能な洞察を提供することがわかった。

関連論文リスト

• CAAD: Causality-Aware Multivariate Time Series Anomaly Detection via Multi-Scale Alignment and Structural Causal Consistency [9.032903163326027]
  本稿では,Granger因果関係の連続的検証として異常検出を再構成する新しいフレームワークを提案する。 提案するフレームワークは,システムダイナミクスの内部化にマルチスケールアライメントを利用する。 実世界の産業データセットの実験では、CAADが高精度な異常検出を実現することが示されている。
  論文  参考訳（メタデータ） (2026-07-09T14:46:10Z)
• Can Large Language Models Generate Observability-Aware Code? [51.30941152293301]
  本稿では,エージェント生成システムにおける可観測性に関する系統的研究を行う。 その結果,ソースレベルでの診断的セマンティクスと実行時の障害信号との間には,一貫したギャップがあることが判明した。 本稿では,診断的意味論と故障信号暴露の両方を改善するためのガイダンスとして,可観測性指向のスキルを導入する。
  論文  参考訳（メタデータ） (2026-07-07T03:20:52Z)
• Reason-IAD: Knowledge-Guided Dynamic Latent Reasoning for Explainable Industrial Anomaly Detection [85.29900916231655]
  Reason-IADは、説明可能な産業異常検出のための知識誘導型動的潜在推論フレームワークである。 実験により、Reason-IADは最先端の手法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-10T14:54:17Z)
• Online Reliable Anomaly Detection via Neuromorphic Sensing and Communications [58.796149594878585]
  本稿ではニューロモルフィック無線センサネットワークに基づく低消費電力オンライン異常検出フレームワークを提案する。 検討したシステムでは、中央受信ノードが各時間フレームでニューロモルフィックセンサノード(ニューロSN)のサブセットを積極的にクエリする。 ニューロモルフィックセンサーは事象駆動であり、モニターされたシステムの関連する変化に対応してスパイクを発生させる。
  論文  参考訳（メタデータ） (2025-10-16T13:56:54Z)
• Explainable Online Unsupervised Anomaly Detection for Cyber-Physical Systems via Causal Discovery from Time Series [1.223779595809275]
  ニューラルネットワークによるディープラーニングに基づく最先端のアプローチは、異常認識において優れたパフォーマンスを達成する。 本手法はトレーニング効率が向上し,最先端のニューラルネットワークアーキテクチャの精度に優れることを示す。
  論文  参考訳（メタデータ） (2024-04-15T15:42:12Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• DyEdgeGAT: Dynamic Edge via Graph Attention for Early Fault Detection in IIoT Systems [12.641578474466646]
  DyEdgeGATは、IIoTシステムにおける早期故障検出の新しいアプローチである。 動作条件コンテキストをノードダイナミックスモデリングに組み込んで、その正確性と堅牢性を高める。 我々は,DyEdgeGATを人工データセットと実世界の産業規模フロー施設ベンチマークの両方を用いて厳格に評価した。
  論文  参考訳（メタデータ） (2023-07-07T12:22:16Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Sensor Fault Detection and Isolation in Autonomous Nonlinear Systems Using Neural Network-Based Observers [6.432798111887824]
  センサ故障検出分離法(s-FDI)は一般的な非線形システムに適用される。 このアプローチの主な側面は、ニューラルネットワークベースのKazantzis-Kravaris/Luenberger(KKL)オブザーバの利用である。
  論文  参考訳（メタデータ） (2023-04-18T09:05:07Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)

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。