論文の概要: DySR-GNN: Dynamic Sensor-Relationship Graph Neural Network for Root Cause Analysis in Automotive HiL Multivariate Time Series
- arxiv url: http://arxiv.org/abs/2611.16623v1
- Date: Thu, 12 Nov 2026 10:58:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.449592
- Title: DySR-GNN: Dynamic Sensor-Relationship Graph Neural Network for Root Cause Analysis in Automotive HiL Multivariate Time Series
- Title(参考訳): DySR-GNN:自動車用HiL多変量時系列におけるルート原因解析のための動的センサ関連グラフニューラルネットワーク
- Abstract要約: 本研究は,マルチラベル根元同定のための動的センサ関連グラフニューラルネットワークDySR-GNNを提案する。
このアプローチは、個々のセンサ信号内の時間パターンと、センサー間の構造的関係を共同で抽出する。
CNN-LSTM, Static GCN, Static GAT, and context-based variants を比較検討した。
- 参考スコア(独自算出の注目度): 1.9435397960631864
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Root-cause analysis in automotive Hardware-in-the-Loop (HiL) systems is challenging because faults can propagate across multiple interacting signals, making the most abnormal sensor different from the actual fault origin. This work proposes DySR-GNN, a Dynamic Sensor-Relationship Graph Neural Network for supervised multi-label root-cause identification in multivariate HiL time series. The approach jointly extracts temporal patterns within individual sensor signals and structural relationships across sensors. Each sensor is processed by a shared temporal encoder and combined with a trainable sensor-identity representation, from which a sparse relationship graph is reconstructed independently for every input window. This window-specific structure provides an explicit representation of the sensor relationships used for graph message passing and direct root-location prediction. Under a recording-disjoint evaluation protocol, the proposed model outperforms CNN--LSTM, Static GCN, Static GAT, and context-based variants, achieving a recording-level Macro-F1 of 0.9524, MCC of 0.9302, and strict exact-match accuracy of 0.8519. Analysis of the learned graphs reveals both persistent and state-dependent relationships among sensor variables. The results demonstrate that extracting adaptive relational structure alongside temporal representations can improve multi-label root-cause identification in complex automotive cyber--physical systems.
- Abstract(参考訳): オートマチック・ハードウェア・イン・ザ・ループ(HiL)システムにおける根本原因分析は、障害が複数の相互作用する信号間で伝播し、最も異常なセンサが実際の障害源と異なるため、困難である。
本研究は,多変量HiL時系列における教師付き多ラベル根元同定のための動的センサ関連グラフニューラルネットワークDySR-GNNを提案する。
このアプローチは、個々のセンサ信号内の時間パターンと、センサー間の構造的関係を共同で抽出する。
各センサは、共有時間エンコーダにより処理され、トレーニング可能なセンサアイデンティティ表現と組み合わせて、入力ウィンドウ毎にスパース関係グラフを独立に再構成する。
このウィンドウ固有の構造は、グラフメッセージパッシングと直接ルート位置予測に使用されるセンサ関係の明示的な表現を提供する。
CNN-LSTM, Static GCN, Static GAT, and context-based variantsより優れ,記録レベルのマクロF1が0.9524, MCCが0.9302, 厳密な精度が0.8519である。
学習グラフの解析により,センサ変数間の永続性と状態依存の関係が明らかになった。
その結果, 複雑な自動車サイバー物理システムにおいて, 時間的表現とともに適応的関係構造を抽出することにより, 複数ラベルの根元同定が向上することが示唆された。
関連論文リスト
- SensOFormer: Foundation Models for Particle Accelerators [46.568487965999225]
SensOFormerはPerceiverスタイルのエンコーダ・デコーダアーキテクチャで、可変センサーセットを扱うように設計されている。
本稿では,Perceiver-style encoder-decoderアーキテクチャで可変センサ集合を処理可能なデノナイズ変換器であるSensOFormerを紹介する。
このモデルは、複数の粒子加速器データセットに事前トレーニングされ、インプット、異常検出、空洞識別、障害識別を含む下流タスクに転送される。
論文 参考訳(メタデータ) (2026-11-01T16:25:32Z) - Domain-Prior-Regularized Graph Modeling for Anomaly Detection in Cyber-Physical Systems [4.42333974179549]
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。
論文 参考訳(メタデータ) (2026-07-25T13:21:56Z) - Multi-Level Temporal Graph Networks with Local-Global Fusion for Industrial Fault Diagnosis [0.4779196219827507]
本稿では,産業的故障診断のための局所的特徴融合を用いた構造対応多レベル時間グラフネットワークを提案する。
提案手法は,特に複雑な故障シナリオにおいて,優れた故障診断性能を実現する。
論文 参考訳(メタデータ) (2026-04-20T19:20:29Z) - Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。
このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。
GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
論文 参考訳(メタデータ) (2026-02-13T04:38:51Z) - The power of dynamic causality in observer-based design for soft sensor applications [0.7965327033045845]
本稿では,動的因果解析により観測者に基づくソフトセンサを最適化するための新しい枠組みを提案する。
センサ選択への伝統的なアプローチは、複雑なシステムの時間的進化を捉えるのに失敗する線形化された可観測性指数や統計的相関に依存することが多い。
論文 参考訳(メタデータ) (2025-09-14T16:27:58Z) - Decomposing and Fusing Intra- and Inter-Sensor Spatio-Temporal Signal for Multi-Sensor Wearable Human Activity Recognition [12.359681612030682]
本稿では,モダリティ変数間の関係をよりよくモデル化するDecomposeWHARモデルを提案する。
この分解は、改良されたDepth Separable Convolutionを通じて、各センサ内変数の高次元表現を生成する。
我々のモデルは、広く使われている3つのWHARデータセットにおいて優れた性能を示し、最先端のモデルよりも大幅に優れている。
論文 参考訳(メタデータ) (2025-01-19T01:52:28Z) - GLAD: Content-aware Dynamic Graphs For Log Anomaly Detection [49.9884374409624]
GLADは、システムログの異常を検出するように設計されたグラフベースのログ異常検出フレームワークである。
システムログの異常を検出するために設計されたグラフベースのログ異常検出フレームワークであるGLADを紹介する。
論文 参考訳(メタデータ) (2023-09-12T04:21:30Z) - Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。
グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。
グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文 参考訳(メタデータ) (2023-09-11T08:44:07Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - Coupled Attention Networks for Multivariate Time Series Anomaly
Detection [10.620044922371177]
多変量時系列データにおける異常検出のためのアテンションベースニューラルネットワークフレームワーク(CAN)を提案する。
センサ間の関係と時間的依存関係をキャプチャするために、グローバルローカルグラフに基づく畳み込みニューラルネットワークを時間的自己認識モジュールに統合する。
論文 参考訳(メタデータ) (2023-06-12T13:42:56Z)
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。