Feb, 2022

一种用于多模态无线传感器网络数据流的动态图神经网络异常检测新方法

PDF
TL;DR本研究提出了一个新颖的多模态无线传感器网络数据流异常检测模型，通过三个图神经网络分别提取 WSN 数据流的时空特征和形式化特征，并结合节点的空间位置关系，从而大大提高了鲁棒性和 F1 得分。
anomaly detectionwireless sensor networkgraph neural networkstemporal featuresspatial features
发现论文，激发创造
  • 基于图神经网络的多元时间序列异常检测

    提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

    Jun, 2021

  • 使用图神经网络检测上下文网络异常

    利用图神经网络（GNN）检测网络流量异常

    Dec, 2023

  • 基于图神经网络的河流网络系统异常检测

    本文介绍了一种针对河流传感器数据的异常检测解决方案，使用图神经网络模型 GDN + 来捕捉传感器之间的复杂时空关系，并针对河流网络数据中的高维数据进行评估，发现 GDN + 比基准方法表现更优越和提供更好的可解释性。同时，本文还介绍了 gnnad 软件。

    Apr, 2023

  • 使用图神经网络的图异常检测：当前状态与挑战

    本篇综述介绍了基于图神经网络的图形异常检测的最新进展，将这些方法总结为基于图形类型、异常类型和网络结构，并得出这是第一个基于 GNN 的综合检测图形异常方法的综述。

    Sep, 2022

  • 基于空时图学习的多元时间序列异常检测中的相关性感知

    本研究提出了一种新方法：基于关系感知的时空图学习方法，用于解决多元时间序列异常检测问题，该方法采用了关系感知模块来捕捉变量之间的成对关系，并用空间 - 时间图神经网络来捕获复杂的变量间关系，进一步采用图卷积网络和扩张卷积函数来检测异常值。

    Jul, 2023

  • MGADN：用于多元时间序列的多任务图形异常检测网络

    研究了多变量时序数据的异常检测问题，提出了一种使用 GAT 和 LSTM 深度学习模型的方法，通过多任务优化算法来同时实现时间戳和传感器之间的关系建模、精准的异常检测和重构。

    Nov, 2022

  • 基于 GNN 的编码网络流量异常检测

    本研究早期报告探索了在富含信息的网络流数据中使用图神经网络（GNNs）进行异常检测的可能性，以改进 GNN 在异常检测中的性能。

    May, 2024

  • 基于图注意力网络的多变量时间序列异常检测

    本文提出了一个新的自监督多元时间序列异常检测框架，使用图注意力层显式地捕获时间序列之间的关系，并结合预测 和重构的方法来获得更好的时间序列表示，实验结果表明该方法在真实数据集上表现优异且具有良好的可解释性。

    Sep, 2020

  • 多重动态网络中的异常检测：从区块链安全到脑疾病预测

    ANOMULY 是一个用于多重动态网络的无监督边缘异常检测框架，它包括使用 GRU 单元捕获网络的时间特性和在不同类型的关系之间整合信息的注意机制。通过大量实验，ANOMULY 达到了最新技术水平，该方法在大脑网络数据集上的应用也展示了新的工具去理解异常的大脑活动以及与之相关的疾病和障碍。

    Nov, 2022

  • 利用机器学习进行无线传感器网络异常检测：一项调查

    这篇综述论文概述了机器学习技术在无线传感器网络 (WSNs) 领域数据异常检测的应用现状，包括 WSNs 的特点和异常检测挑战，以及各种监督、非监督、半监督机器学习技术的应用和比较，最后讨论了应用机器学习技术在 WSNs 感知数据异常检测中的未来方向和开放性研究挑战。

    Mar, 2023